GMFE-Net: point cloud semantic segmentation with general multi-feature fusion and extraction
Notice bibliographique
Résumé
Semantic segmentation serves an essential role in the comprehension of 3D scenes. Existing methods mostly adopt a U-Net architecture, where point cloud feature maps are extracted during the encoder stage and fused multi-scale features using transposed convolution in the decoder stage. However, up-sampling with transposed convolution loses some detailed features. To mitigate this issue and enhance feature learning, we propose the GMFE-Unit, a novel module designed for comprehensive feature learning. The GMFE-Unit comprises three synergistic components: (1) a Local Multi-feature Fusion and Extraction (LocMFE) block that concurrently fuses fine-grained geometric features (e.g. coordinates, distances, angles) with diverse attribute features (e.g. RGB, intensity); (2) an Attention-pooling block that adaptively weights these fused features to prioritize the most critical information for segmentation; and (3) a Global Multi-feature Fusion and Extraction (GloMFE) block that captures high-level scene context by computing volume ratios and distance variations between local neighbourhoods and the global scene. Based on this powerful unit, we develop GMFE-Net, which applies GMFE-Unit in both encoder and decoder stages. Notably, this architectural choice transforms the decoder from a passive up-sampling tool into an active feature refinement and fusion engine, replacing traditional transposed convolution to significantly mitigate information loss. We evaluated GMFE-Net and achieved high semantic segmentation accuracy across three datasets from different sources, SensatUrban, DALES, and EVO. Notably, our method achieves significant gains in underrepresented categories. Furthermore, we conduct the first comprehensive analysis of how various point cloud attribute features (RGB, intensity, echo deviation, etc.) impact semantic segmentation, revealing the underlying reasons for their influence on performance. The code of our key contributions is publicly accessible at: https://github.com/LiTao-0797/GMFE-Net.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».