4.2 语义场景标注的点集分割 为了验证我们的方法适用于大规模点云分析，我们还评估了语义场景标记 任务。 目标是预测室内扫描中点的语义对象标签。 [5]在体素扫描上使用 完全卷积神经网络提供基线。 它们纯粹依赖于扫描几何体而不是 RGB 信 息，并以每个体素为基础报告精度。 为了进行公平的比较，我们在所有 实验中删除了 RGB 信息，并在[5]之后将点云标签预测转换为体素标签。 我们还与[20]进行了比较。 在图 5（蓝色条）中以每个体素为基础报告准 确度。 我们的方法大大优于所有基线方法。 与在体素扫描中学习的[5]相比，我 们直接学习点云以避免额外的量化误差，并进行数据相关采样以允许更有 效的学习。 与[20]相比，我们的方法引入了分层特征学习并捕获不同尺度 的几何特征。 这对于理解多个级别的场景和标记各种大小的对象非常重 要。 我们将示例场景标记结果可视化为图 6。

prescan手册

这是PreScan手册，介绍了详细的使用说明，有想要学习PreScan的可以下载看看。

Prescan技术手册，英文版，详细介绍如何使用Prescan，搭建测试环境以及如何配置model参数