FPCC：面向工业分拣的快速点云聚类实例分割方法
计算机视觉与模式识别
2022-04-14 v5 机器人学
摘要
实例分割是众多现实应用（如机器人、自动驾驶汽车与人机交互）中一项重要的预处理任务。相较于基于深度学习的二维（2D）图像任务的快速发展，基于深度学习的 3D 点云实例分割仍有很大发展空间。尤其，区分大量同类遮挡物体是一个极具挑战性的问题，这见于机器人分拣场景。在通常的分拣场景中，许多相同物体堆叠在一起且物体模型已知。因此语义信息可被忽略；相反，分拣中的重点置于实例的分割。基于该任务需求，我们提出一种用于分拣场景实例分割的快速点云聚类（FPCC）方法。FPCC 包含一个名为 FPCC-Net 的网络与一种快速聚类算法。FPCC-Net 有两个子网络，一个用于推断用于聚类的几何中心，另一个用于描述各点的特征。FPCC-Net 同时提取各点特征并推断每个实例的几何中心点。此后，所提聚类算法将剩余点聚类到特征嵌入空间中最接近的几何中心。实验表明，FPCC 在分拣场景中也超越现有工作且计算更高效。我们的代码与数据见 https://github.com/xyjbaal/FPCC。
引用
@article{arxiv.2012.14618,
title = {FPCC: Fast Point Cloud Clustering based Instance Segmentation for Industrial Bin-picking},
author = {Yajun Xu and Shogo Arai and Diyi Liu and Fangzhou Lin and Kazuhiro Kosuge},
journal= {arXiv preprint arXiv:2012.14618},
year = {2022}
}
备注
Neurocomputing (2022)