通过多任务度量学习实现三维实例分割
计算机视觉与模式识别
2019-11-04 v2
摘要
我们提出了一种用于密集三维体素网格实例标签分割的新方法。我们面向由深度传感器或多视图立体方法获取、并经由语义三维重建或场景补全方法处理的体素场景表示。主要任务是学习单个物体实例的形状信息，以准确分离它们，包括相连及未完整扫描的物体。我们以多任务学习策略解决三维实例标签问题。第一个目标是学习一个抽象特征嵌入，将具有相同实例标签的体素彼此靠近分组，同时将具有不同实例标签的簇彼此分离。第二个目标是通过对每个体素密集估计实例质心的方向信息来学习实例信息。这对于在聚类后处理步骤中发现实例边界以及为第一个目标评分分割质量尤为有用。合成与真实世界实验均证明了我们方法的可行性与优点。事实上，它在 ScanNet 三维实例分割基准上取得了最先进的性能。
引用
@article{arxiv.1906.08650,
title = {3D Instance Segmentation via Multi-Task Metric Learning},
author = {Jean Lahoud and Bernard Ghanem and Marc Pollefeys and Martin R. Oswald},
journal= {arXiv preprint arXiv:1906.08650},
year = {2019}
}