用于 3D 点云实例分割的动态卷积
计算机视觉与模式识别
2022-10-17 v3
摘要
我们提出了一种基于动态卷积的 3D 点云实例分割方法。这使其能够在推理时适应多变的特征与物体尺度。如此可避免自下而上方法的一些缺陷,包括依赖超参数调优和启发式后处理流水线,以补偿物体尺寸不可避免的变异性,即便在单一场景内亦如此。通过聚集具有相同语义类别且对几何质心投票相近的同质点,网络表征能力大幅提升。随后通过数个简单卷积层解码实例,其中参数以输入为条件生成。所提方法无提案(proposal-free),而是利用适应每个实例空间与语义特征的卷积过程。构建于瓶颈层的轻量 transformer 使模型能以有限计算开销捕获长程依赖。结果是一种简单、高效且鲁棒的方法,在多个数据集(ScanNetV2、S3DIS 与 PartNet)上取得强劲性能。在基于体素与基于点的架构上一致的提升表明了所提方法的有效性。代码见:https://git.io/DyCo3D
引用
@article{arxiv.2107.08392,
title = {Dynamic Convolution for 3D Point Cloud Instance Segmentation},
author = {Tong He and Chunhua Shen and Anton van den Hengel},
journal= {arXiv preprint arXiv:2107.08392},
year = {2022}
}
备注
Accepted to IEEE Trans. Pattern Analysis and Machine Intelligence. Extended version of arXiv:2011.13328