基于动态点特征聚合与背景感知的 3D 点云分割
计算机视觉与模式识别
2022-06-15 v1
摘要
随着激光雷达传感器和 3D 视觉相机的普及，3D 点云分析近年来引起了显著关注。在先驱工作 PointNet 取得成功之后，基于深度学习的方法已越来越多地应用于各种任务，包括 3D 点云分割和 3D 物体分类。在本文中，我们提出了一种新颖的 3D 点云学习网络，称为动态点特征聚合网络（DPFA-Net），它通过动态池化和注意力机制选择性地执行邻域特征聚合。DPFA-Net 具有用于 3D 点云语义分割和分类的两种变体。作为 DPFA-Net 的核心模块，我们提出了特征聚合层，其中每个点的动态邻域的特征通过自注意力机制进行聚合。与其他从固定邻域聚合特征的分割模型不同，我们的方法可以在不同层从不同邻居聚合特征，从而为查询点提供更具选择性和更广阔的视野，并更关注局部邻域中的相关特征。此外，为了进一步提升所提出的语义分割模型的性能，我们提出了两种新方法，即两阶段 BF-Net 和 BF-正则化，以利用背景-前景信息。实验结果表明，所提出的 DPFA-Net 在 S3DIS 数据集上取得了语义分割的最先进（SOTA）总体精度分数，并在语义分割、部件分割和 3D 物体分类的不同任务中提供了一致令人满意的性能。与其他方法相比，它在计算上也更高效。
引用
@article{arxiv.2111.07248,
title = {Background-Aware 3D Point Cloud Segmentationwith Dynamic Point Feature Aggregation},
author = {Jiajing Chen and Burak Kakillioglu and Senem Velipasalar},
journal= {arXiv preprint arXiv:2111.07248},
year = {2022}
}