FlowNet3D：在三维点云中学习场景流
计算机视觉与模式识别
2019-07-23 v3 机器学习
摘要
机器人与人机交互中的许多应用都可受益于对动态环境中点的三维运动的理解，这被广泛称为场景流。尽管大多数先前的方法以立体图像和RGB-D图像作为输入，但鲜有尝试直接从点云估计场景流。在本工作中，我们提出了一种名为的新型深度神经网络，以端到端的方式从点云中学习场景流。我们的网络同时学习点云的深度层次特征以及表示点运动的流嵌入，这由两种新提出的点集学习层所支持。我们在来自FlyingThings3D的挑战性合成数据以及来自KITTI的真实激光雷达扫描上评估了该网络。仅使用合成数据训练，我们的网络成功泛化到真实扫描，优于多种基线方法，并与现有最优方法取得有竞争力的结果。我们还展示了场景流输出的两种应用（扫描配准与运动分割），以表明其潜在广泛用途。
引用
@article{arxiv.1806.01411,
title = {FlowNet3D: Learning Scene Flow in 3D Point Clouds},
author = {Xingyu Liu and Charles R. Qi and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:1806.01411},
year = {2019}
}
备注
CVPR 2019. Source code available at http://github.com/xingyul/flownet3d