FreePoint：无监督点云实例分割
计算机视觉与模式识别
2024-06-18 v2
摘要
点云实例分割是三维领域中的一项关键任务，在涉及场景中目标定位与分割的众多应用中发挥着重要作用。然而，要获得令人满意的结果需要大量人工标注，这是一个耗时且昂贵的过程。为缓解对标注的依赖，我们提出了一种新颖的框架 FreePoint，用于此前少有探索的点云无监督类无关实例分割。具体而言，我们通过结合坐标、颜色与自监督深度特征来表示点特征。基于点特征，我们执行自底向上的 multicut 算法将点云分割为粗粒度实例掩码作为伪标签，用于训练点云实例分割模型。在此阶段我们提出一种以 ID 作为特征的策略，以缓解 multicut 算法的随机性并提升伪标签质量。在训练过程中，我们提出一种弱监督两步训练策略及相应损失函数，以克服粗掩码的不准确性。FreePoint 在点云无监督类无关实例分割上取得了突破，在 AP 上超越以往传统方法超过 18.2%，并比同期竞争工作 UnScene3D 高出 5.5%。此外，当作为预训练任务并在 S3DIS 上微调时，FreePoint 在有限标注下显著优于现有自监督预训练方法，且在 10% 标注掩码下 AP 超越 CSC 达 6.0%。
引用
@article{arxiv.2305.06973,
title = {FreePoint: Unsupervised Point Cloud Instance Segmentation},
author = {Zhikai Zhang and Jian Ding and Li Jiang and Dengxin Dai and Gui-Song Xia},
journal= {arXiv preprint arXiv:2305.06973},
year = {2024}
}