ModelNet-O：面向遮挡感知点云分类的大规模合成数据集
计算机视觉与模式识别
2024-01-17 v1
摘要
近年来，借助众多数据集，3D点云分类取得了显著进展。然而，这些数据集并未反映真实世界点云因遮挡而导致的不完整性，这限制了当前方法的实际应用。为弥补这一差距，我们提出了ModelNet-O，一个包含123,041个样本的大规模合成数据集，模拟了由单目相机扫描引起的自遮挡的真实世界点云。ModelNet-O比现有数据集大10倍，并提供了更具挑战性的案例来评估现有方法的鲁棒性。我们在ModelNet-O上的观察表明，精心设计的稀疏结构可以在遮挡下保留点云的结构信息，这促使我们提出一种鲁棒的点云处理方法，该方法以多层次方式利用关键点采样（CPS）策略。我们将该方法命名为PointMLS。通过大量实验，我们证明了PointMLS在ModelNet-O上取得了最先进的结果，在常规数据集上取得了有竞争力的结果，并且具有鲁棒性和有效性。更多实验也证明了PointMLS的鲁棒性和有效性。
引用
@article{arxiv.2401.08210,
title = {ModelNet-O: A Large-Scale Synthetic Dataset for Occlusion-Aware Point Cloud Classification},
author = {Zhongbin Fang and Xia Li and Xiangtai Li and Shen Zhao and Mengyuan Liu},
journal= {arXiv preprint arXiv:2401.08210},
year = {2024}
}
备注
Project page: https://github.com/fanglaosi/PointMLS