PBP-Net：用于 3D 点云分割的点投影与反投影网络
计算机视觉与模式识别
2020-11-03 v1
摘要
随着 3D 扫描技术的显著发展，近期许多研究提出了各种用于 3D 视觉任务的方法，包括一些利用 2D 卷积神经网络（CNNs）的方法。然而，尽管 2D CNNs 在许多 2D 视觉任务中取得了高性能，现有工作尚未将其有效应用于 3D 视觉任务。特别是，由于对每个点进行密集预测需要丰富的特征表示，分割尚未得到充分研究。在本文中，我们提出一种名为点投影与反投影网络（PBP-Net）的简单高效架构，其利用 2D CNNs 进行 3D 点云分割。引入了 3 个模块，分别将 3D 点云投影到 2D 平面、使用 2D CNN 骨干提取特征、并将特征反投影回原始 3D 点云。为证明使用 2D CNN 进行有效的 3D 特征提取，我们进行了多种实验，包括与近期方法的比较。我们通过消融研究分析了所提模块，并在物体部件分割（ShapeNet-Part 数据集）和室内场景语义分割（S3DIS 数据集）上进行了实验。实验结果表明，所提 PBP-Net 取得了与现有最先进方法相当的性能。
引用
@article{arxiv.2011.00988,
title = {PBP-Net: Point Projection and Back-Projection Network for 3D Point Cloud Segmentation},
author = {JuYoung Yang and Chanho Lee and Pyunghwan Ahn and Haeil Lee and Eojindl Yi and Junmo Kim},
journal= {arXiv preprint arXiv:2011.00988},
year = {2020}
}
备注
7 pages, accepted by IROS2020