面向点云三维实例分割的目标边界框学习方法
计算机视觉与模式识别
2019-09-06 v2 人工智能
机器学习
机器人学
摘要
我们提出一种新颖、概念简单且通用的三维点云实例分割框架。我们的方法称为 3D-BoNet，遵循逐点多层感知机（MLPs）的简洁设计理念。该框架直接回归点云中所有实例的三维边界框，同时预测每个实例的逐点掩码。它由一个骨干网络及两个并行网络分支组成，分别用于 1）边界框回归与 2）点掩码预测。3D-BoNet 为单阶段、无锚框且端到端可训练。此外，它与现有方法不同，不需要非极大值抑制、特征采样、聚类或投票等任何后处理步骤，因而计算效率显著。大量实验表明，我们的方法在 ScanNet 与 S3DIS 数据集上均超越现有工作，同时计算效率约提升 10 倍。全面的消融研究证明了我们设计的有效性。
引用
@article{arxiv.1906.01140,
title = {Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds},
author = {Bo Yang and Jianan Wang and Ronald Clark and Qingyong Hu and Sen Wang and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:1906.01140},
year = {2019}
}
备注
NeurIPS 2019 Spotlight. Code and data are available at https://github.com/Yang7879/3D-BoNet