本文研究了基于传感器融合的三维语义分割技术，提出了混合融合结构以提升分割精度。介绍了多个自动驾驶和遥感数据集，强调了夜间场景的语义分割进展，并提出了新的数据集WildScenes，解决了自然环境下的语义感知问题。此外，提出了联合学习框架S^3M-Net，以增强场景理解能力。

本文介绍了一种名为3DMV的新方法，结合3D多视图预测网络进行RGB-D扫描的三维语义场景分割。该方法通过融合RGB和几何特征，显著提高了分割效果，并提出了基于动态数据结构的卷积方法、2D-3D融合策略及多视角立体技术的神经重建框架，在多个数据集上表现优异。

本文提出了一种基于神经辐射场（NeRF）的三维语义分割新方法，利用2D监督提取特征，优化3D特征场，支持语义场景分解和局部区域编辑，显著提升训练和渲染速度。实验结果表明，该方法在3D分割和编辑任务中表现优异，展示了其在3D场景理解中的潜力。

本文介绍了一种新型神经网络3D-SIS，旨在RGB-D扫描的三维语义实例分割。该网络结合几何和颜色信号，利用高分辨率输入和多视角数据，显著提升了实例预测性能。通过引入伪深度图和深度一致性，进一步改善了分割效果，并在多个数据集上展示了优越的性能。

本文探讨了深度学习在考古学中应用于LiDAR数据的挑战与进展。研究表明，通过不同的迁移学习配置，可以提升模型性能。使用YOLOv8网络和新型数据预处理方法，显著提高了考古结构的分割准确度。此外，结合深度语义模型和传感器融合技术，增强了三维语义分割效果，为考古研究提供了新的工具和方法。

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。