PUPS：点云统一全景分割
计算机视觉与模式识别
2023-03-01 v2
摘要
点云全景分割是一项极具挑战的任务，旨在为语义与实例分割寻求整体方案以预测连贯点的分组。先前方法将语义与实例分割视为替代任务，在实例分割中或使用聚类方法或使用边界框来聚集实例分组，计算代价高且依赖手工设计。本文提出一种简洁而高效的点云统一全景分割（PUPS）框架，使用一组点级分类器以端到端方式直接预测语义与实例分组。为实现 PUPS，我们在训练流程中引入二分匹配，使分类器能独占预测实例分组，摆脱锚框与非极大值抑制（NMS）等手工设计。为获得更好分组结果，我们利用 transformer 解码器迭代精炼点分类器，并开发上下文感知 CutMix 增强以克服类不平衡问题。最终，PUPS 在 SemanticKITTI 全景分割任务排行榜上取得第一，并在 nuScenes 上获得最优结果。
引用
@article{arxiv.2302.06185,
title = {PUPS: Point Cloud Unified Panoptic Segmentation},
author = {Shihao Su and Jianyun Xu and Huanyu Wang and Zhenwei Miao and Xin Zhan and Dayang Hao and Xi Li},
journal= {arXiv preprint arXiv:2302.06185},
year = {2023}
}
备注
accepted by AAAI2023