基于特征形状识别的低成本白盒三维点云支撑塔语义分割
计算机视觉与模式识别
2023-06-14 v1 机器学习
几何拓扑
摘要
三维语义分割的研究一直通过扩大模型复杂度和计算资源来提升 IoU 等性能指标，忽视了那些（1）无法获取必要资源且（2）确实需要模型决策机制透明的研究者与从业者。本文中，我们提出 SCENE-Net，一种用于三维点云语义分割的低成本白盒模型。SCENE-Net 通过群等变非扩张算子（GENEOs）在点云上识别特征形状，提供内在的几何可解释性。我们在笔记本电脑上的训练时间为 85 分钟，推理时间为 20 毫秒。SCENE-Net 具有 11 个可训练几何参数，且比黑盒模型需要更少的数据。SCENE-Net 对噪声标注与数据不平衡具有鲁棒性，并拥有与最先进方法相当的 IoU。随本文，我们发布了一个 40 000 公里标注的乡村地形点云数据集及我们的代码实现。
引用
@article{arxiv.2306.07809,
title = {Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification},
author = {Diogo Lavado and Cláudia Soares and Alessandra Micheletti and Giovanni Bocchi and Alex Coronati and Manuel Silva and Patrizio Frosini},
journal= {arXiv preprint arXiv:2306.07809},
year = {2023}
}