基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS

doi:10.11772/j.issn.1001-9081.2025060788

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (7): 2259-2266.DOI: 10.11772/j.issn.1001-9081.2025060788

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS

张国有(), 聂宏宇, 潘理虎, 雷润东

太原科技大学计算机科学与技术学院，太原 030024

收稿日期:2025-07-16 修回日期:2025-10-14 接受日期:2025-10-15 发布日期:2025-10-27 出版日期:2026-07-10
通讯作者: 张国有
作者简介:聂宏宇（2000—），男，山东菏泽人，硕士研究生，主要研究方向：宽度学习、智能软件工程
潘理虎（1974—），男，河南上蔡人，教授，博士，CCF会员，主要研究方向：人工智能、软件工程
雷润东（2001—），男，陕西渭南人，硕士研究生，主要研究方向：智能软件工程、三维识别。
基金资助:
山西省自然科学基金资助项目(202403021221151);山西省自然科学基金资助项目(202203021221145)

Point-MLPBLS： point cloud semantic segmentation network based on MLP cascaded broad learning system

Guoyou ZHANG(), Hongyu NIE, Lihu PAN, Rundong LEI

School of Computer Science and Technology，Taiyuan University of Science and Technology，Taiyuan Shanxi 030024，China

Received:2025-07-16 Revised:2025-10-14 Accepted:2025-10-15 Online:2025-10-27 Published:2026-07-10
Contact: Guoyou ZHANG
About author:NIE Hongyu， born in 2000， M. S. candidate. His research interests include broad learning， intelligent software engineering.
PAN Lihu， born in 1974， Ph. D.， professor. His research interests include artificial intelligence， software engineering.
LEI Rundong， born in 2001， M. S. candidate. His research interests include intelligent software engineering， 3D recognition.
Supported by:
Natural Science Foundation of Shanxi Province(202403021221151)

摘要/Abstract

摘要：

三维点云语义分割是自动驾驶与计算机视觉领域的关键技术。基于深度学习的语义分割模型由于网络结构复杂，运行效率低下。针对深度神经网络在三维点云语义分割中效率低下的问题，提出一种基于多层感知机（MLP）级联宽度学习系统（BLS）的点云语义分割网络Point-MLPBLS。首先，整体网络采用双网络协同架构：特征提取网络和点云分割网络；其次，特征提取网络对输入的点云数据采用采样-分组-聚合操作，并追加倒置残差模块增强局部特征的表达能力；再次，通过特征传播模块实现上采样，恢复原始点云分辨率并进行多尺度特征融合，构建精细化的点云表征；最后，点云分割网络采用扁平化MLP级联结构替代深层迭代训练，在特征映射层嵌入空间感知型MLP，实现高精度推理。在S3DIS数据集上的实验结果表明：与PointNet++相比，Point-MLPBLS的平均交并比（mIoU）提高了12.9个百分点，分割时间缩短了41.1%，提高了点云分割的效率，为三维点云语义分割提供了高效解决方案。

关键词: 三维点云, 语义分割, 宽度学习系统, 特征融合, 注意力机制

Abstract:

Semantic segmentation of 3D point clouds is a key technology in the fields of autonomous driving and computer vision. Deep learning-based semantic segmentation models suffer from inefficient operation due to their complex network structures. To address the inefficiency of deep neural networks in 3D point cloud semantic segmentation， Point-MLPBLS， a point cloud semantic segmentation network based on Multi-Layer Perceptron （MLP） cascaded Broad Learning System （BLS） was proposed. First， the overall network adopted a dual network collaborative architecture： a feature extraction network and a point cloud segmentation network. Second， the feature extraction network performed a sampling-grouping-aggregation operation to the input point cloud data， and an inverted residual module was added to enhance the local feature representation capability. Third， a feature propagation module was used to achieve upsampling， thereby restoring the original point cloud resolution and enabling multi-scale feature fusion， thereby constructing a refined point cloud representation. Finally， the point cloud segmentation network replaced deep iterative training with a flattened MLP cascade structure， and spatially-aware MLPs were embedded in the feature mapping layer， so as to achieve high-precision inference. Experimental results show that Point-MLPBLS improves the mean Intersection-over-Union （mIoU） by 12.9 percentage points and reduces the segmentation time by 41.1% compared with PointNet++ on the S3DIS dataset， improving the efficiency of point cloud segmentation， and providing an efficient solution for 3D point cloud semantic segmentation.

Key words: 3D point cloud, semantic segmentation, Broad Learning System (BLS), feature fusion, attention mechanism

中图分类号:

TP391.41

张国有, 聂宏宇, 潘理虎, 雷润东. 基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS[J]. 计算机应用, 2026, 46(7): 2259-2266.

Guoyou ZHANG, Hongyu NIE, Lihu PAN, Rundong LEI. Point-MLPBLS： point cloud semantic segmentation network based on MLP cascaded broad learning system[J]. Journal of Computer Applications, 2026, 46(7): 2259-2266.

图/表 10

图1 Point-MLPBLS网络

Fig. 1 Point-MLPBLS network

图2 SA模块

Fig. 2 SA module

图3 IRM模块

Fig. 3 IRM module

图4 宽度学习系统网络

Fig. 4 Broad learning system network

表1 MLPBLS-seg不同Nf Ne时的实验结果对比

Tab. 1 Comparison of experimental results of MLPBLS-seg with different Nf and Ne

N_f	N_e	OA/%	mIoU/%
100	5 000	87.7	67.2
100	10 000	87.9	67.4
200	10 000	88.3	67.7
200	12 000	88.6	68.0
400	10 000	88.8	68.3
400	11 000	88.5	68.1
800	10 000	88.2	67.8
800	12 000	87.9	67.7
1 000	10 000	87.7	67.4
1 000	13 000	87.5	67.4
2 000	12 000	87.4	67.2

表2 S3DIS数据集Area5上的语义分割实验结果

Tab. 2 Experimental results of semantic segmentation on Area5 in S3DIS dataset

网络	mIoU/%	OA/%	mAcc/%	分割时间/min
PointNet^［8］	42.3	80.4	62.1	46.2
PointNet++^［9］	55.2	82.6	68.8	53.8
DGCNN^［11］	48.6	82.8	70.2	49.6
PointCNN^［18］	62.6	83.9	72.3	50.2
Point Transformer^［15］	69.6	91.1	79.7	61.7
PointNeXt^［19］	67.2	87.3	76.4	55.3
Point-MLPBLS	68.1	88.7	79.1	31.7

图5 不同类别物体的分割准确率

Fig. 5 Segmentation accuracies of objects of different categories

图6 语义分割的可视化对比结果

Fig. 6 Visual comparison results of semantic segmentation

表3 消融实验结果

Tab. 3 Results of ablation experiments

倒置残差模块	特征融合模块	BLS多层感知机级联结构	激活函数ReLU	OA/%
				86.3
√				87.2
√	√			87.6
√	√	√		88.4
√	√	√	√	88.7
	√			86.8
		√		87.0
			√	86.5
	√	√		87.5
√		√	√	88.5
	√	√	√	88.1

表4 不同网络作为点云分割网络时的性能对比

Tab. 4 Performance comparison of different networks as point cloud segmentation networks

全连接网络	BLS	MLPBLS	mAcc/%	分割时间/min
√			79.4	23.3
	√		77.6	2.0
		√	79.1	2.6

参考文献 19

[1]	Wang J， Liu Y， Tan H， et al. A survey on weakly supervised 3D point cloud semantic segmentation［J］. IET Computer Vision， 2024， 18（3）： 329-342.
[2]	Mi X， Yang B， Chen C， et al. Automatic road structure detection and vectorization using MLS point clouds ［J］. The International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2019， XLII-2/W12： 1069-1075.
[3]	Qin H， Shao S， Wang T， et al. Review of autonomous path planning algorithms for mobile robots ［J］. Drones， 2023， 7（3）： No.211.
[4]	Tan C S， Mohd-Mokhtar R， Arshad M R. A comprehensive review of coverage path planning in robotics using classical and heuristic algorithms［J］. IEEE Access， 2021， 9： 119310-119342.
[5]	饶加旺，周松，邢策梅，等.城市三维模型通用格式转换与可视化研究［J］.计算机科学与应用， 2023， 13（4）： 903-914.
	Rao Jiawang， Zhou Song， Xing Cemei， et al. Research on universal format conversion and visualization of urban 3D model ［J］. Computer Science and Applications， 2023， 13（4）： 903-914.
[6]	王明军，李乐，易芳，等.模拟真实水体环境下目标激光点云数据的三维重建与分析［J］.中国激光， 2022， 49（3）： No.0309001.
	Wang Mingjun， Li Le， Yi Fang， et al. Three-dimensional reconstruction and analysis of target laser point cloud data in simulated real water environment ［J］. Chinese Journal of Lasers， 2022， 49（3）： No.0309001.
[7]	王涛，王文举，蔡宇.基于深度学习的三维点云语义分割方法研究［J］.计算机工程与应用， 2021， 57（23）： 18-26.
	Wang Tao， Wang Wenju， Cai Yu. Research of deep learning-based semantic segmentation for 3D point cloud ［J］. Computer Engineering and Applications， 2021， 57（23）： 18-26.
[8]	Qi C R， Su H， Mo K C， et al. PointNet： deep learning on point sets for 3D classification and segmentation ［C］// CVPR 2017. Piscataway： IEEE， 2017： 77-85.
[9]	Qi C R， Yi L， Su H， et al. PointNet++： deep hierarchical feature learning on point sets in a metric space ［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 5105-5114.
[10]	Huang Q， Wang W， Neumann U. Recurrent slice networks for 3D segmentation of point clouds ［C］// CVPR 2018. Piscataway： IEEE， 2018： 2626-2635.
[11]	Wang Y， Sun Y， Liu Z， et al. Dynamic graph CNN for learning on point clouds ［J］. ACM Transactions on Graphics， 2019， 38（5）： No.146.
[12]	Hua B S， Tran M K， Yeung S K. Pointwise convolutional neural networks ［C］// CVPR 2018. Piscataway： IEEE， 2018： 984-993.
[13]	Simonovsky M， Komodakis N. Dynamic edge-conditioned filters in convolutional neural networks on graphs ［C］// CVPR 2017. Piscataway： IEEE， 2017： 29-38.
[14]	Ma Y， Guo Y， Liu H， et al. Global context reasoning for semantic segmentation of 3D point clouds ［C］// WACV 2020. Piscataway： IEEE， 2020： 2920-2929.
[15]	Park C， Jeong Y， Cho M， et al. Fast point Transformer ［C］// CVPR 2022. Piscataway： IEEE， 2022： 16928-16937.
[16]	Chen C L P， Liu Z. Broad learning system： an effective and efficient incremental learning system without the need for deep architecture ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（1）： 10-24.
[17]	Armeni I， Sener O， Zamir A R， et al. 3D semantic parsing of large-scale indoor spaces ［C］// CVPR 2016. Piscataway： IEEE， 2016： 1534-1543.
[18]	Li Y， Bu R， Sun M， et al. PointCNN： convolution on X-Transformed points ［C］// NeurIPS 2018. Red Hook： Curran Associates Inc.， 2018： 828-838.
[19]	Qian G， Li Y， Peng H， et al. PointNeXt： revisiting PointNet++ with improved training and scaling strategies ［C］// NeurIPS 2022. Red Hook： Curran Associates Inc.， 2022： 23192-23204.

基于多层感知机级联宽度学习系统的点云语义分割网络Point-MLPBLS

Point-MLPBLS： point cloud semantic segmentation network based on MLP cascaded broad learning system

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 19

相关文章 15

编辑推荐

Metrics

[1]	刘雯玲, 李勇, 李佳慧, 张厚康. 面向不均匀雾霾遥感图像的无监督去雾方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2297-2306.
[2]	王柳, 陈学斌, 高远, 马凯光, 赵桐. 基于FFT去噪与反向路径协同增强的双通道推荐算法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2130-2138.
[3]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.
[4]	杜秀丽, 高星, 张校毓, 潘成胜, 邹启杰. 基于密集时空可变形注意力的视频快照压缩成像重建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2288-2296.
[5]	秦隽, 焦新涛, 曾碧卿. 融合BiLSTM-Transformer与Kolmogorov-Arnold网络的非侵入式负荷监测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2026-2033.
[6]	张雅淞, 丛碧辉, 许爽. 引入聚类系数的图神经网络节点分类模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1855-1862.
[7]	张金萧, 李成龙, 高新燕, 张铭. 基于时空特征金字塔网络与多假设交互机制的三维人体姿态估计模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1965-1972.
[8]	何运平, 王雷春, 宋芮芮, 卢祥凤, 魏金香, 刘小萌. 基于对比不变性和强化特定性的双通道多模态情感分析模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1767-1775.
[9]	姚力挽, 刘海龙, 曾张帆. 基于频域驱动及扩散融合的声纳图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1947-1955.
[10]	朱松浩, 赵芝芸, 王梦灵. 基于轻量残差与亮度感知动态特征融合的低光图像增强网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1936-1946.
[11]	吕超, 马歌谣. 基于冗余特征抑制的轻量级人体姿态估计网络[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1973-1980.
[12]	张纾豪, 何坤金, 徐佳晨, 沙河山, 陈正鸣. 融合透视校正与轻量注意力机制的轮毂缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 2007-2015.
[13]	刘馨瑶, 梁军, 龙嘉濠, 颜仁梁. 基于特征融合和通道信息补偿的中草药细粒度图像分类[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1677-1683.
[14]	黄雨倩, 黄辉, 秦永彬, 黄瑞章, 陈艳平, 周裕林, 孙倩. 融合全局和局部语义的司法要素抽取方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1460-1467.
[15]	明文超, 蔺素珍, 晋赞霞. 基于场景概念引导特征融合的多波段图像描述生成方法[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1560-1567.