MaskGroup：用于3D实例分割的层次化点分组与掩码方法
计算机视觉与模式识别
2022-08-30 v1
摘要
本文研究3D实例分割问题，该问题在机器人和增强现实等领域有诸多实际应用。由于3D物体周围环境的高度复杂性，不同物体的分离非常困难。为解决这一具有挑战性的问题，我们提出了一种新颖的框架来分组并精炼3D实例。实践中，我们首先为每个点学习一个偏移向量并将其移动到其预测的实例中心。为了更好地分组这些点，我们提出一种层次化点分组(Hierarchical Point Grouping)算法来逐步合并中心聚合的点。所有点被分组为小簇，这些小簇进一步逐渐经历另一次聚类过程以合并为更大的组。这些多尺度组被用于实例预测，有利于预测不同尺度的实例。此外，我们开发了一种新颖的MaskScoreNet来生成这些组的二值点掩码，以进一步精炼分割结果。在ScanNetV2和S3DIS基准上进行的广泛实验证明了所提方法的有效性。例如，我们的方法在ScanNetV2测试集上以0.5 IoU阈值取得了66.4% mAP，比最先进(state-of-the-art)方法高1.9%。
引用
@article{arxiv.2203.14662,
title = {MaskGroup: Hierarchical Point Grouping and Masking for 3D Instance Segmentation},
author = {Min Zhong and Xinghao Chen and Xiaokang Chen and Gang Zeng and Yunhe Wang},
journal= {arXiv preprint arXiv:2203.14662},
year = {2022}
}