分而治之：基于逐点二值化的三维点云实例分割
计算机视觉与模式识别
2023-11-27 v4
摘要
点云上的实例分割对于三维场景理解至关重要。大多数SOTA方法采用距离聚类，通常有效，但在分割具有相同语义标签的相邻物体（尤其是它们共享邻近点时）表现不佳。由于偏移点的分布不均匀，这些现有方法难以聚类所有实例点。为此，我们设计了一种名为PBNet的新颖分而治之策略，对每个点进行二值化并分别聚类以分割实例。我们的二值聚类将偏移实例点分为两类：高密度点与低密度点（HPs与LPs）。通过移除LPs可清晰分离相邻物体，随后通过邻域投票方法分配LPs来完成并细化。为抑制潜在的过分割，我们提出为每个实例构建带权重掩码的局部场景。作为插件，所提出的二值聚类可替代传统距离聚类，并在许多主流基线上带来一致的性能提升。在ScanNetV2和S3DIS数据集上的一系列实验表明了模型的优越性。特别地，PBNet在ScanNetV2官方基准挑战赛上排名第一，取得了最高的mAP。代码将公开于 https://github.com/weiguangzhao/PBNet。
引用
@article{arxiv.2207.11209,
title = {Divide and Conquer: 3D Point Cloud Instance Segmentation With Point-Wise Binarization},
author = {Weiguang Zhao and Yuyao Yan and Chaolong Yang and Jianan Ye and Xi Yang and Kaizhu Huang},
journal= {arXiv preprint arXiv:2207.11209},
year = {2023}
}