LRGNet：用于类无关点云分割的可学习区域生长网络
计算机视觉与模式识别
2021-03-17 v1 人工智能
机器人学
摘要
3D点云分割是一项重要功能，可帮助机器人理解周围环境的布局并执行诸如抓取物体、规避障碍和寻找路标等任务。当前的分割方法多为类特定的，其中许多针对特定物体类别调优，可能难以泛化至不同类型场景。本研究提出一种用于类无关点云分割的可学习区域生长方法， specifically针对实例标签预测任务。所提方法能够使用单一深度神经网络分割任意类别的物体，而无需对其形状与大小作任何假设。该深度神经网络经训练可预测如何从点云区域中添加或移除点，以将其渐次塑形为更完整的物体实例区域。在S3DIS与ScanNet数据集上的分割结果表明，所提方法在6种不同评价指标上以1%–9%的优势优于对比方法。
引用
@article{arxiv.2103.09160,
title = {LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation},
author = {Jingdao Chen and Zsolt Kira and Yong K. Cho},
journal= {arXiv preprint arXiv:2103.09160},
year = {2021}
}