用于大规模点云分割的多分辨率图神经网络
计算机视觉与模式识别
2021-01-25 v1
摘要
本文提出一种多分辨率深度学习架构，以对稠密大规模点云进行语义分割。稠密点云数据在语义分割前需要计算昂贵的特性编码过程。先前工作采用不同方法从原始点云大幅下采样，以利用常见计算硬件。尽管这些方法能在一定程度上缓解计算负担，其在处理多帧扫描时仍受限于处理能力。我们提出 MuGNet，一种内存高效、端到端的图神经网络框架，用于对大规模点云进行语义分割。我们通过在前构点云图上使用图神经网络降低计算需求，并借助融合不同分辨率特征嵌入的双向网络保持分割精度。我们的框架已在包括斯坦福大规模 3D 室内空间数据集（S3DIS）与虚拟 KITTI 数据集在内的基准数据集上验证。我们展示该框架可在单个 11 GB GPU 上一次处理多达 45 个房间扫描，同时在 S3DIS 上以 88.5%（+3%）总体精度与 69.8%（+7.7%）mIOU 精度超越其他基于图的分割方案。
引用
@article{arxiv.2009.08924,
title = {Multi-Resolution Graph Neural Network for Large-Scale Pointcloud Segmentation},
author = {Liuyue Xie and Tomotake Furuhata and Kenji Shimada},
journal= {arXiv preprint arXiv:2009.08924},
year = {2021}
}