基于自底向上回退分组的 3D 物体性估计
计算机视觉与模式识别
2019-12-06 v1 机器学习
图像与视频处理
摘要
3D 物体性估计，即从 3D 场景中发现语义对象，是 3D 理解中一项具挑战且重要的任务。本文提出一种以自底向上方式工作的 3D 物体性方法。从过分割的 3D 片段出发，我们通过学习一个精巧的分组预测器迭代地将它们分组为对象提议，以判定两个 3D 片段能否被分组。为增强鲁棒性，提出一种新颖的回退机制来撤销错误的分组操作。因此，先前自底向上工作中由错误分组带来的不可逆后果可被大幅减少。我们的实验表明，在 GMU-kitchen 与 CTD 两个困难数据集上，以少量提议我们的方法优于 SOTA 的 3D 物体性方法。进一步的消融研究也证明了我们的分组预测器与回退机制的有效性。
引用
@article{arxiv.1912.02332,
title = {3D Objectness Estimation via Bottom-up Regret Grouping},
author = {Zelin Ye and Yan Hao and Liang Xu and Rui Zhu and Cewu Lu},
journal= {arXiv preprint arXiv:1912.02332},
year = {2019}
}