我们提出了一种在线三维语义分割方法，能够从RGB-D帧流中增量重建三维语义地图，适用于实时场景。通过联合估计几何和语义标签，有效提取信息并推理语义实体，实验结果显示显著优于现有方法。

本文研究了基于传感器融合技术的三维语义分割，通过将RGB图像转化为LiDAR的极坐标网格映射表示，并设计了早期和中期融合架构，提出了混合融合结构。在KITTI数据集上评估了算法效果，相对于仅使用LiDAR的基线模型，在SqueezeSeg和PointSeg算法上分别提高了10%的分割精度。

本文研究了基于传感器融合技术的三维语义分割，通过将RGB图像转化为LiDAR的极坐标网格映射表示，并设计了早期和中期融合架构，提出了混合融合结构。在KITTI数据集上评估了算法效果，相对于仅使用LiDAR的基线模型，在SqueezeSeg和PointSeg上分别提高了10%的分割精度。

该研究提出了一种通过语言辅助的方法来学习点云特征，实现了对点云的三维语义分割、三维物体检测和三维场景分类任务的有效学习。

本研究提出了基于鸟瞰图的跨模态学习方法，用于三维语义分割的领域泛化。通过鸟瞰图下的交叉模态学习，优化了与领域无关的表示建模，同时提出了鸟瞰图驱动的领域对比学习方法来建模领域无关的表示。在三个三维数据集上，BEV-DG 在所有设置中明显优于现有方法，差距显著。

本文研究了基于传感器融合技术的三维语义分割，提出了混合融合结构，并在KITTI数据集中评估了算法效果，相对于仅使用LiDAR的基线模型，在SqueezeSeg和PointSeg上分别提高了10%的分割精度。

本文研究了基于传感器融合技术的三维语义分割，提出了混合融合结构。在KITTI数据集中评估了算法效果，相对于仅使用LiDAR的基线模型，在SqueezeSeg和PointSeg上分别提高了10%的分割精度。