ISBNet:一种具有实例感知采样和盒感知动态卷积的 3D 点云实例分割网络
3D-BoNet 是一个新颖的、简单易懂且通用的网络,可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路(边界框回归和点掩码预测)组成,并在保持端到端训练的同时,直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明,相比现有方法,该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优,而且计算效率提高了约 10 倍,并且该算法的设计是有效的。
Jun, 2019
研究了点云(point cloud)语义实例分割的问题,提出了一种动态的、无需生成建议、数据驱动的方法,可以根据实例的特点生成适当的卷积核,在几个简单的卷积层中解码实例,并采用小型轻量级 Transformer 来捕捉点样本之间的长距依赖和高级别交互。该方法在 ScanetNetV2 和 S3DIS 数据集上均取得了良好的结果,在超参数选择上具有鲁棒性,并且比最先进的方法可提高 25% 以上的推理速度。
Nov, 2020
该研究引入了一种三维实例表示方法 - 实例核,通过借鉴 2D/3D 实例分割中动态卷积的思想,使用一维向量编码三维实例的语义、位置和形状信息,以便于轻松的进行实例掩模推理,同时避免了标准的 3D 实例分割流水线中建议或启发式聚类算法的大量依赖。最终,DKNet 在 ScanNetV2 和 S3DIS 数据集上的表现超过了现有技术。
Jul, 2022
PointGroup 是一种新的端到端自下而上架构方法,专为更好地通过探索对象之间的空白空间对点进行分组而设计,通过两个分支网络提取点特征并预测语义标签与偏移量,利用原始和偏移移动的点坐标集,使用 ScoreNet 评估候选实例,并使用 NMS 消除重复。与先前的最佳解决方案相比,PointGroup 在 ScanNet v2 和 S3DIS 数据集上都取得了高性能,分别为 63.6%和 64.0%,而前者为 54.9%和 54.4%(在 IoU 阈值为 0.5 时的 mAP)。
Apr, 2020
室内 3D 点云数据的语义理解对于室内服务机器人、导航系统和数字孪生工程等一系列后续应用非常重要。我们提出了一种名为 JSMNet 的方法,它结合了多层网络和全局特征自注意力模块,共同分割三维点云的语义和实例。通过设计了一个多分辨率特征自适应融合模块,以考虑由于传感器距目标的距离不同而导致的点云密度差异,更好地表达了室内目标的特性。此外,我们提出了一种联合语义和实例分割的框架,通过整合语义和实例特征实现更优的结果。我们在 S3DIS 上进行了实验证明,我们的方法与其他方法进行了比较,结果显示在语义和实例分割以及目标局部区域分割方面,我们的方法优于现有方法。具体而言,在 S3DIS(Area 5)的语义分割 mIoU 方面,我们的方法在 PointNet (Qi et al., 2017a) 上表现优异,提高了 16.0%,在实例分割 mPre 方面提高了 26.3%。此外,在语义分割 mIoU 方面,我们的方法超过了 ASIS (Wang et al., 2019) 6.0% 和 JPSPNet (Chen et al., 2022) 3.3%,在实例分割 mPre 方面略微提高了 0.3%。
Sep, 2023
提出了 CFNet 模型用于完全遮挡和密集目标的分割任务,该模型基于盒子提示的分割基础模型,首先通过检测有方向的边界框来进行粗略的实例定位,然后通过预测与边界框提示相关的掩码进行精细的分割,并利用先验几何属性来预测完全遮挡的目标实例,同时通过基于盒子提示的分割基础模型减少了对边界框检测性能的依赖,从而提高了密集目标的分割效果。
Jan, 2024
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
该论文介绍了一种基于距离变换的对象段表示方法和基于残差解卷积结构的对象掩码网络,实现了跨越边界框的对象分割;并将其整合到一个多任务网络级联框架中,学习了最终二进制对象掩码。实验表明,这种方法在目标生成和实例分割方面优于现有的技术。
Dec, 2016
提出了一种基于 Semantic Superpoint Tree Network (SSTNet) 的端到端解决方案,其通过学习场景点的语义特征构建中间的语义超级点树(SST), 在中间树节点处进行实例对象的建议,以及通过一个模块对错误的超级点进行修剪, 针对数据不规则性提出了一种改进的方法。在 ScanNet 和 S3DIS 的基准测试中表现出强大的实用性。
Aug, 2021
本文提出 Adaptive Instance Selection 网络结构,用于无类别实例分割,在与语义分割流水线相结合的情况下,可以轻松地实现全景分割,并在 Cityscapes 和 Mapillary 数据集上获得最先进的结果。
Sep, 2019