球形掩模：基于球形表示的粗到细的 3D 点云实例分割

Dec, 2023

球形掩模：基于球形表示的粗到细的 3D 点云实例分割

Spherical Mask: Coarse-to-Fine 3D Point Cloud Instance Segmentation with Spherical Representation

Sangyun Shin, Kaichen Zhou, Madhu Vankadari, Andrew Markham, Niki Trigoni

TL;DR提出一种基于球面表示的新型粗糙到精细方法，在 3D 实例分割中克服了轴对齐边界框 AABB 的实例尺寸估计过高和从不精确的边界框到细化阶段的假阴性误差累积两个局限性，通过引入两种基于边界框迁移的边界框检测和点迁移模块并运用两种基于间隔的损失函数来改善结果。实验证明，在三个数据集上，该方法优于现有工作，在使用球面坐标的新实例表示方法方面具有显著的有效性。

Abstract

Coarse-to-fine 3d instance segmentation methods show weak performances compared to recent Grouping-based, Kernel-based and Transformer-based methods. We argue that this is due to two limitations: 1) Instance size overestimation by axis-aligned bounding box(AABB) 2) False negative error

3d instance segmentation coarse-to-fine approach spherical representation error propagation margin-based losses

发现论文，激发创造

CenterDisks: 实时实例分割与圆盘覆盖

该研究论文提出了一种使用较粗表示方法的实例分割方法，以在保持实时性的前提下提高准确性，通过学习预测目标对象的近似覆盖范围，采用固定数量和不同半径的圆盘来表示每个对象，并使用二维高斯函数代替圆盘进行误差传播计算。该方法在具有各种道路用户的复杂城市环境下，在 IDD 和 KITTI 数据集上实现了最先进的结果，单个 RTX 3090 GPU 推断时间为 0.040 秒。

Mar, 2024

Box2Mask: 使用边界框进行弱监督的三维语义实例分割

本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

Jun, 2022

基于球形核的三维点云图卷积的高效实现

本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

Sep, 2019

3D 点云球形卷积神经网络

提出了一种利用球面卷积核和八叉树空间分割的神经网络用于 3D 点云处理，该球面度量型卷积核系统地量化点周围的局部几何结构，同时具有平移不变性和不对称性。

May, 2018

GaPro：基于高斯过程的盒标注的三维点云实例分割

使用轴对齐的 3D 边界框监督，提出 GaPro，一种新的用于 3D 点云的实例分割方法，通过生成伪标签和训练 3DIS 网络来解决 3DIS 问题，并通过自学习策略进一步提高性能。

Jul, 2023

基于球形卷积核的八叉树引导的 3D 点云 CNN

本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性，并通过空间划分分层粗化数据表示。同时，该提议的球形核有系统地量化点邻域，以识别数据中的局部几何结构，同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核，从而避免了网络训练期间动态核生成，以实现高分辨率点云的高效学习，并在 3D 对象分类和分割的基准任务上取得了新的最先进状态，分别在 ShapeNet 和 RueMonge2014 数据集上。

Feb, 2019

3D 实例作为 1D 核函数

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

DyCo3D：通过动态卷积实现稳健的三维点云实例分割

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

PointInst3D：通过点对三维实例进行分割

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

CenterMask: 基于点表示的单级实例分割

本文提出了一种快速准确的单阶段实例分割方法，通过将实例分割分解为局部形状预测和全局显著性生成两个并行子任务，并从物体中心点的表示中采用局部形状信息，成功地实现了基于 COCO 数据集的单模单尺度训练 / 测试的 CenterMask 方法，达到了 34.5 的掩模 AP 并以 12.3fps 的速度运行。除了效果较慢的 TensorMask 外，相较于所有其他单阶段实例分割方法，该方法精度更高，在其它单阶段物体检测器中也表现良好，显示了 CenterMask 的泛化能力。

Apr, 2020