3D-MPA：用于三维语义实例分割的多提案聚合
计算机视觉与模式识别
2020-04-01 v1
摘要
我们提出 3D-MPA，一种用于三维点云上实例分割的方法。给定输入点云，我们提出一种以对象为中心的方法，其中每个点为其对象中心投票。我们从预测的对象中心中采样对象提案。然后，我们从投票给同一对象中心的分组点特征中学习提案特征。图卷积网络引入提案间关系，在点特征这一低层特征之外提供更高层特征学习。每个提案包含一个语义标签、一组关联点（在其上我们定义前景-背景掩码）、一个对象性分数和聚合特征。先前的工作通常对提案执行非极大值抑制（NMS）以获得最终的对象检测或语义实例。然而，NMS 可能丢弃潜在正确的预测。相反，我们的方法保留所有提案并基于学习的聚合特征将它们分组在一起。我们表明分组提案优于 NMS，并在 ScanNetV2 基准和 S3DIS 数据集上的三维对象检测和语义实例分割任务中优于先前的 SOTA 方法。
引用
@article{arxiv.2003.13867,
title = {3D-MPA: Multi Proposal Aggregation for 3D Semantic Instance Segmentation},
author = {Francis Engelmann and Martin Bokeloh and Alireza Fathi and Bastian Leibe and Matthias Nießner},
journal= {arXiv preprint arXiv:2003.13867},
year = {2020}
}
备注
CVPR2020, Video: https://youtu.be/ifL8yTbRFDk Project Page: https://www.vision.rwth-aachen.de/3d_instance_segmentation/