MNEW：面向稀疏点云分割的多域邻域嵌入与加权方法
计算机视觉与模式识别
2020-04-08 v1 机器学习
图像与视频处理
摘要
点云已广泛应用于三维语义场景理解。然而，用于三维形状分割或室内场景解析等典型任务的点云，比自动驾驶感知应用中的室外 LiDAR 扫描要密集得多。由于空间属性差异，许多为密集点云设计的成功方法在稀疏数据上效果下降。本文关注稀疏室外点云的语义分割任务。我们提出一种称为 MNEW 的新方法，包括多域邻域嵌入，以及基于几何距离、特征相似度和邻域稀疏度的注意力加权。网络架构继承了直接处理点云以捕获逐点细节与全局语义的 PointNet，并通过在静态几何域和动态特征空间中引入多尺度局部邻域加以改进。MNEW 的距离/相似度注意力与稀疏自适应加权机制使其能适应广泛的数据稀疏度分布。在虚拟与真实 KITTI 语义数据集上的实验表明，MNEW 在稀疏点云上取得了最优性能，这对基于 LiDAR 的自动驾驶感知应用具有重要意义。
引用
@article{arxiv.2004.03401,
title = {MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point Clouds Segmentation},
author = {Yang Zheng and Izzat H. Izzat and Sanling Song},
journal= {arXiv preprint arXiv:2004.03401},
year = {2020}
}