学习最优分割点云
机器人学
2019-12-12 v1 计算机视觉与模式识别
摘要
我们关注 LiDAR 点云的类无关实例分割问题。我们提出一种将图论搜索与数据驱动学习相结合的方法：它在候选分割集合上搜索并返回这样一个分割，其中各独立片段依据数据驱动的基于点的“对象性”模型得分良好。我们证明，若以各独立片段中最差的对象性来为分割评分，则存在一种高效算法可在指数级数量的候选分割中找到最优最坏情形分割。我们还给出一种平均情形下的高效算法。为评估，我们将 KITTI 3D 检测重新用作分割基准，并经验性地证明我们的算法在分割点云上显著优于过去的自底向上分割方法与自顶向下基于对象的算法。
引用
@article{arxiv.1912.04976,
title = {Learning to Optimally Segment Point Clouds},
author = {Peiyun Hu and David Held and Deva Ramanan},
journal= {arXiv preprint arXiv:1912.04976},
year = {2019}
}