基于图结构深度度量学习的点云过分割
计算机视觉与模式识别
2019-04-04 v1 机器学习
摘要
我们提出了一种将 3D 点云过分割为超点的新型监督学习框架。我们将此问题转化为学习 3D 点的局部几何与辐射度的深度嵌入，使得物体边界呈现高对比度。嵌入由在点的局部邻域上运行的轻量级神经网络计算。最后，我们将点云过分割表述为关于所学嵌入的图划分问题。这种新方法使我们在密集室内数据集（S3DIS）和稀疏室外数据集（vKITTI）上以显著优势确立了点云过分割的新 SOTA。我们的最佳方案在 S3DIS 上所需超点数比先前发表的方法少五倍以上即可达到相似性能。此外，我们展示了我们的框架可用于改进基于超点的语义分割算法，并为该任务也确立了新的 SOTA。
引用
@article{arxiv.1904.02113,
title = {Point Cloud Oversegmentation with Graph-Structured Deep Metric Learning},
author = {Loic Landrieu and Mohamed Boussaha},
journal= {arXiv preprint arXiv:1904.02113},
year = {2019}
}
备注
CVPR2019