用于点云分割的连续条件随机场卷积
计算机视觉与模式识别
2021-10-13 v1 机器人学
摘要
点云分割是现代智能系统三维环境感知的基础。为解决此问题及图像分割，条件随机场（CRFs）通常在标签空间中表述为离散模型以鼓励标签一致性，这实际上是一种后处理。在本文中，我们针对点云分割重新考虑特征空间中的CRF，因为它能很好地捕捉特征结构以提升特征的表示能力，而非简单平滑。因此，我们首先用连续二次能量模型对点云特征建模，并将其求解过程表述为消息传递图卷积，从而可轻松集成到深度网络中。我们从理论上证明图卷积中的消息传递等价于连续CRF模型的均值场近似。此外，我们基于所提出的连续CRF图卷积（CRFConv）构建了编码器-解码器网络，其中嵌入在解码层中的CRFConv可恢复编码阶段丢失的高层特征细节以增强网络的定位能力，从而有益于分割。类似于CRFConv，我们表明经典离散CRF也可通过另一种图卷积与所提网络协同工作以进一步提升分割结果。在各种点云基准上的实验证明了所提方法的有效性和鲁棒性。与最先进（SOTA）方法相比，所提方法也能取得有竞争力的分割性能。
引用
@article{arxiv.2110.06085,
title = {Continuous Conditional Random Field Convolution for Point Cloud Segmentation},
author = {Fei Yang and Franck Davoine and Huan Wang and Zhong Jin},
journal= {arXiv preprint arXiv:2110.06085},
year = {2021}
}
备注
20 pages + 8 pages (supplemental material)