基于深度且具有位置重要性感知损失的语义场景补全
计算机视觉与模式识别
2020-02-03 v2
摘要
语义场景补全（SSC）指同时补全三维形状并推断场景三维语义分割的任务。我们提出 PALNet，一种基于单张深度的 SSC 新型混合网络。PALNet 利用双流网络从多阶段提取 2D 与 3D 特征，借助细粒度深度信息高效捕获场景的上下文与几何线索。当前 SSC 方法平等对待场景所有部分，导致对物体内部的不必要关注。为解决此问题，我们提出位置感知损失（PA-Loss），其在训练网络时具有位置重要性感知能力。具体而言，PA-Loss 考虑局部几何各向异性以确定场景内不同位置的重要性，有助于恢复物体边界与场景拐角等关键细节。在两个基准数据集上的综合实验证明了所提方法的有效性及其优越性能。模型与视频演示见：https://github.com/UniLauX/PALNet。
引用
@article{arxiv.2001.10709,
title = {Depth Based Semantic Scene Completion with Position Importance Aware Loss},
author = {Yu Liu and Jie Li and Xia Yuan and Chunxia Zhao and Roland Siegwart and Ian Reid and Cesar Cadena},
journal= {arXiv preprint arXiv:2001.10709},
year = {2020}
}
备注
ICRA2020 In Conjuction With RAL