RandLA-Net

收录理由

RandLA-Net 是 CVPR 2020 论文的官方 TensorFlow 实现，专门处理大规模三维点云的语义分割任务，也就是说，它要为密集的 LiDAR 或扫描数据中的每一个点赋予类别标签，而不是像图像任务那样只找出目标物体。它的核心思路是用随机采样搭配局部特征聚合模块，在内存和算力上做到可控，从而能够应对那些简单逐点网络根本吃不消的百万级点云。如果你正在做自动驾驶 LiDAR 的标注工作，或者使用 SemanticKITTI、Semantic3D、S3DIS 这类数据集，这个仓库提供了训练和评估脚本，还有预训练权重，可以复现论文里公布的结果。不过要做好心理准备，它面向的是 TensorFlow 1.x 和 2020 年前后的环境，属于研究型代码，需要自己动手改造，没法直接塞进生产管线。但作为点云分割原型开发时的参考基线，它能给你一个和文献对比的可靠起点，用起来仍然很顺手。