基于 Superpoint 图的大规模点云语义分割
本文提出了一种新的监督学习框架,用于将 3D 点云超分割成超点,并且利用局部几何和辐射度的深度嵌入来计算超点,从而使对象的边界呈现高对比度。该方法可以显著地提高点云超分割结果,并且可以用于改善基于超点的语义分割算法。
Apr, 2019
本文提出了一种叫做 GrowSP 的无监督 3D 语义分割方法,其关键在于通过逐渐增长的超点来发现 3D 语义元素,并将其分组成语义元素进行最终的语义分割。我们在多个数据集上对我们的方法进行了广泛评估,证明了其在无监督基线系统中具有优异性能,并接近于经典的全监督 PointNet。
May, 2023
介绍了一种高效的方法,通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练,从而在训练过程中消除了资源密集型的实例匹配步骤。此外,我们的方法可以轻松适应 superpoint 范例,进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法(SuperCluster)在两个室内扫描数据集(S3DIS Area 5 的 PQ 指标为 50.1(+7.8),ScanNetV2 的 PQ 指标为 58.7(+25.2))上实现了全景分割的最新性能。此外,我们还在两个大规模移动映射基准测试(KITTI-360 和 DALES)中取得了首个最先进的结果。我们的模型仅有 209k 个参数,比最佳竞争方法小 30 倍,训练速度最高提高 15 倍。我们的代码和预训练模型可在此 https URL 获取。
Jan, 2024
提出了一种用于室内场景的新型超点分组网络,通过对原始点云进行超点划分,利用几何感知的投票模块调整超点和物体中心之间的空间关系,采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示,利用超点来基于动态感受野进行有效的多次匹配,实现室内一阶段 3D 物体检测的最新性能。
Dec, 2023
提出了一种基于 2D 监督的新型深度图卷积网络框架,用于大规模语义场景点云的分割,通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征,并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入, 即使只有单个训练样本的情况下,也能够进行自然场景下的 3D 分割训练,扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。
Apr, 2020
本研究提出了一种基于深度学习的简单易用的三维物体实例分割框架,称为相似性分组提案网络(SGPN),该框架使用单个网络预测点分组提案和相应的语义类别,并可直接提取实例分割结果,实验表明,该框架在点云数据上的三维实例分割任务上具有很高的准确性,而且可提高物体检测和语义分割结果的效果。
Nov, 2017
本文提出了一种基于场景图的三维场景理解方法,它将场景中的实体组织成图形式,运用基于 PointNet 和 Graph Convolutional Networks(GCN)的学习方法实现了场景图的回归,并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。
Apr, 2020
本文提出一种半监督的点云语义分割网络,名为 SSPC-Net,通过推断少量标注化点的标签,为无标签的点生成伪标签,采用动态标签传播方法和耦合关注机制,最终成功减少标注点,并在不同数据集上取得优秀结果。
Apr, 2021