GrowSP：三维点云的无监督语义分割
计算机视觉与模式识别
2023-05-29 v1 人工智能
机器学习
机器人学
摘要
我们研究从原始点云进行三维语义分割的问题。现有方法主要依赖大量人工标注来训练神经网络，与之不同，我们提出了首个纯无监督方法GrowSP，成功识别三维场景中每个点的复杂语义类别，无需任何形式的人工标签或预训练模型。我们方法的关键在于通过超点渐进生长发现三维语义要素。方法包含三个主要组件：1）从输入点云学习逐点特征的特征提取器，2）渐进增大超点尺寸的超点构造器，3）将超点分组为语义要素以得到最终语义分割的语义基元聚类模块。我们在多个数据集上广泛评估了方法，展现出优于所有无监督基线的性能，并接近经典全监督的PointNet。我们希望本工作能启发更先进的无监督三维语义学习方法。
引用
@article{arxiv.2305.16404,
title = {GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds},
author = {Zihui Zhang and Bo Yang and Bing Wang and Bo Li},
journal= {arXiv preprint arXiv:2305.16404},
year = {2023}
}
备注
CVPR 2023. Code and data are available at: https://github.com/vLAR-group/GrowSP