摘要

我们提出了一种基于超点（superpoint）的新型Transformer架构，用于高效实现大规模三维场景的语义分割。该方法引入了一种快速算法，将点云数据划分为分层的超点结构，使预处理速度比现有的基于超点的方法提升7倍。此外，我们利用自注意力机制捕捉多尺度下超点之间的关联关系，在三个具有挑战性的基准数据集上均取得了当前最优性能：S3DIS（6折验证，mIoU达76.0%）、KITTI-360（验证集达63.5%）以及DALES（达79.6%）。在仅使用21.2万个参数的情况下，本方法的模型规模比其他先进模型最多缩小200倍，同时保持相近的性能表现。此外，该模型在单张GPU上训练一个S3DIS数据集折（fold）仅需3小时，相比性能最佳的现有方法，所需GPU小时数减少7至70倍。相关代码与模型已开源，可通过github.com/drprojects/superpoint_transformer获取。