基于渐进感受野分量推理的全监督点云分割
计算机视觉与模式识别
2021-05-24 v1
摘要
神经网络中的隐藏特征通常难以为 3D 分割学习到具信息性的表示，因为监督仅施加于输出预测，而这可通过在中间层上进行全尺度监督来解决。本文通过提出的渐进式感受野分量推理（RFCR）将首个全尺度监督方法引入点云分割，其中设计目标感受野分量码（RFCCs）来记录编码器中隐藏单元感受野内的类别。随后，目标 RFCCs 将监督解码器以由粗到细的类别推理方式渐进推断 RFCCs，并最终获得语义标签。由于许多隐藏特征幅值微小而不活跃，对 RFCC 预测贡献甚微，我们提出具有离心势的特征致密化以获得更明确的特征，其效果等价于对特征施加熵正则化。更活跃的特征可进一步释放我们全监督方法的潜力。我们将方法嵌入四种主流骨干网络并在三个具挑战性基准上测试。我们的方法在所有三个数据集上均能显著提升骨干网络。具体而言，我们的方法为 S3DIS 与 Semantic3D 带来新的最先进性能，并在 ScanNet 基准的所有基于点的方法中排名第一。代码将公开于 https://github.com/azuki-miho/RFCR。
引用
@article{arxiv.2105.10203,
title = {Omni-supervised Point Cloud Segmentation via Gradual Receptive Field Component Reasoning},
author = {Jingyu Gong and Jiachen Xu and Xin Tan and Haichuan Song and Yanyun Qu and Yuan Xie and Lizhuang Ma},
journal= {arXiv preprint arXiv:2105.10203},
year = {2021}
}
备注
Accepted by CVPR2021