通过局部几何先验的辅助监督改进点云语义分析
计算机视觉与模式识别
2020-09-18 v2
摘要
现有的点云分析深度学习算法主要关注以监督学习方式从局部几何的全局配置中发现语义模式。然而，极少有研究探索揭示嵌入于三维欧几里得空间中的局部曲面流形的几何属性，以作为判别语义类别或物体部件的额外监督信号。本文首次尝试提出一种独特的多任务几何学习网络，通过利用局部形状属性进行辅助几何学习来改进语义分析，这些属性既可由点云自身经物理计算生成作为自监督信号，也可作为特权信息提供。由于显式编码有利于语义分析的局部形状流形，所提出的几何自监督与特权学习算法能够取得优于其骨干基线及其他 SOTA 方法的性能，这在流行基准数据集上的实验中得到了验证。
引用
@article{arxiv.2001.04803,
title = {Improving Semantic Analysis on Point Clouds via Auxiliary Supervision of Local Geometric Priors},
author = {Lulu Tang and Ke Chen and Chaozheng Wu and Yu Hong and Kui Jia and Zhixin Yang},
journal= {arXiv preprint arXiv:2001.04803},
year = {2020}
}
备注
11 pages, 8 figures, 9 tables; accepted by the IEEE Transactions on Cybernetics