3D Semantic Parsing of Large-Scale Indoor Spaces

在本文中，作者提出了一种使用分层方法对整个建筑物的三维点云进行语义解析的方法：首先，将原始数据解析为语义有意义的空间(E 。g。 房间等)对齐成一个典型的参考坐标系。 第二，空间被解析成它们的结构和建筑元素(例如。 墙壁、柱子等)。 执行这些wi 全球三维空间的一个强有力的概念是我们方法的支柱。 第一步中的对齐将强3D先验从正则坐标系注入到第二步以进行发现 要素。 这允许不同的具有挑战性的场景，因为人造室内空间往往表现出反复出现的规律性，而外观特征则会发生巨大的变化。 我们还认为身份证明 室内空间中的结构元素本质上是一个检测问题，而不是常用的分割问题。 我们评估了我们的方法在一个新的数据集的几个建筑物与一个科维尔 面积超过6000平方米，超过2.15亿点，显示出稳健的结果很容易用于实际应用。

总结

作者提出了一种基于检测的大规模构建点云的语义解析方法，并认为与传统的RGB-D图像或小的点云相比，这种三维扫描带来了新的挑战和潜力 购物中心点云。 他的方法可以将原始点云解析为不相交的空间，并能够提取公共参考系统中丰富的、鉴别的和低维的特征。 这很有用 将空格解析为它们的组成元素。 这样的场景理解可以作为一个垫脚石，更好地分析人造结构的广度和深度，并发展系统 智能室内环境的代理和应用。