GFNet：用于三维点云语义分割的几何流网络
计算机视觉与模式识别
2022-09-27 v2
摘要
从投影视图（如距离视图（RV）与鸟瞰图（BEV））进行的点云语义分割已被深入研究。不同视图捕获点云的不同信息，因此彼此互补。然而，近期基于投影的点云语义分割方法通常对来自不同视图的预测采用朴素的后期融合策略，未能在表示学习期间从几何角度挖掘互补信息。本文中，我们引入一种几何流网络（GFNet），以对齐后融合的方式探索不同视图间的几何对应。具体而言，我们设计了一种新颖的几何流模块（GFM），在端到端学习框架下，依据几何关系跨不同视图双向对齐并传播互补信息。我们在两个广泛使用的基准数据集 SemanticKITTI 与 nuScenes 上进行了大量实验，以证明我们的 GFNet 在基于投影的点云语义分割上的有效性。具体地，GFNet 不仅显著提升了各个单独视图的性能，还取得了优于所有现有基于投影模型的最优结果。代码见 \url{https://github.com/haibo-qiu/GFNet}。
引用
@article{arxiv.2207.02605,
title = {GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation},
author = {Haibo Qiu and Baosheng Yu and Dacheng Tao},
journal= {arXiv preprint arXiv:2207.02605},
year = {2022}
}
备注
Published in Transactions on Machine Learning Research (09/2022)