重新思考基于三维点云的实例分割任务及度量

ICCVSep, 2019

Rethinking Task and Metrics of Instance Segmentation on 3D Point Clouds

Kosuke Arase, Yusuke Mukuta, Tatsuya Harada

TL;DR本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。

Abstract

instance segmentation on 3d point clouds is one of the most extensively researched areas toward the realization of autonomous cars and rob

发现论文，激发创造

该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

Jun, 2024

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

Jul, 2023

该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

Apr, 2022

本研究提出一种简单而灵活的框架，可同时在点云中进行实例和语义分割，通过学习语义感知的点级实例嵌入使实例分割受益于语义分割，同时融合属于同一实例的点的语义特征，以进行更精确的每点语义预测。此方法在 3D 实例分割上表现优异，并显著提高了 3D 语义分割。

Feb, 2019

本文提出了一种新的点云实例分割框架，其中包括嵌入步骤和聚类步骤。嵌入步骤中，每个点用三元正态分布表示，聚类步骤中，提出了一种有利于语义分割和聚类的新损失函数，并在 PartNet 数据集上实验得到了显著的改进。

Nov, 2019

本文提出了一种基于深度学习的开放式场景下点云实例分割算法，能够从点云场景中分割出不同类别的实例。实验在两个自动驾驶数据集上验证了该方法的有效性。

Oct, 2019

本文介绍了一种名为 MVP-Net 的神经网络结构，它可以高效地对大规模室外点云进行语义分割，而无需 KNN 算法，并且通过实验验证，MVP-Net 的速度是最有效的点云语义分割方法 RandLA-Net 的 11 倍，并在大规模基准数据集 SemanticKITTI 上达到相同的准确性。

Jan, 2022

本文提出了一种新的多对象跟踪方法，该方法利用无序的 2D 点云表示来生成实例嵌入，从随机选择的点中学习辨别实例嵌入，利用多种信息数据模态来丰富点特征，基于此建立了在线 MOTS 系统 PointTrack，在三个数据集上进行评估，并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。

Jul, 2020

简述：本文在点云上进行语义分割，使用了 PointCNN 等多个模型，并基于评估指标和推理速度进行比较。

May, 2023

本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。

May, 2024