扩散单元：面向三维点云分割的可解释边缘增强与抑制学习
计算机视觉与模式识别
2023-10-18 v3
摘要
三维点云是连续表面的离散采样，可用于多种应用。然而，真实连通信息（即边缘信息）的缺失使得点云识别颇具挑战性。近期的边缘感知方法将边缘建模引入网络设计以更好地描述局部结构。尽管这些方法表明引入边缘信息是有益的，但边缘信息如何发挥作用仍不清楚，导致用户难以分析其效用。为阐明这一问题，本研究提出一种称为扩散单元（Diffusion Unit, DU）的新算法，以原则化且可解释的方式处理边缘信息，同时带来可观的性能提升。首先，我们从理论上证明 DU 学习执行对任务有益的边缘增强与抑制。其次，我们通过实验观察并验证了边缘增强与抑制行为。第三，我们经实证表明该行为有助于性能提升。在具有挑战性的基准上进行的广泛实验与分析验证了 DU 的有效性。具体而言，我们的方法在基于 ShapeNet part 的物体部件分割和基于 S3DIS 的场景分割上取得了最先进的性能。我们的源代码发布于 https://github.com/martianxiu/DiffusionUnit。
引用
@article{arxiv.2209.09483,
title = {Diffusion Unit: Interpretable Edge Enhancement and Suppression Learning for 3D Point Cloud Segmentation},
author = {Haoyi Xiu and Xin Liu and Weimin Wang and Kyoung-Sook Kim and Takayuki Shinohara and Qiong Chang and Masashi Matsuoka},
journal= {arXiv preprint arXiv:2209.09483},
year = {2023}
}
备注
Neurocomputing