用于点云三维分割的循环切片网络
计算机视觉与模式识别
2018-04-02 v2
摘要
点云是三维数据的一种高效数据格式。然而，现有的点云三维分割方法要么不建模局部依赖 \cite{pointnet}，要么需要额外计算 \cite{kd-net,pointnet2}。本工作提出一种新颖的三维分割框架 RSNet\footnote{代码发布于 https://github.com/qianguih/RSNet}，以高效建模点云中的局部结构。RSNet 的关键组件是一个轻量级局部依赖模块。它是新颖的切片池化层、循环神经网络(RNN)层与切片反池化层的组合。切片池化层旨在将无序点的特征投影到有序的特征向量序列上，从而可应用传统的端到端学习算法（RNN）。RSNet 的性能通过在 S3DIS\cite{stanford}、ScanNet\cite{scannet} 与 ShapeNet \cite{shapenet} 数据集上的综合实验得到验证。在其最简形式下，RSNet 在这些基准上超越所有先前最先进的方法。与先前最先进方法 \cite{pointnet, pointnet2} 的对比展示了 RSNet 的高效性。
引用
@article{arxiv.1802.04402,
title = {Recurrent Slice Networks for 3D Segmentation of Point Clouds},
author = {Qiangui Huang and Weiyue Wang and Ulrich Neumann},
journal= {arXiv preprint arXiv:1802.04402},
year = {2018}
}
备注
camera ready version for cvpr 2018 spotlight. codes are available here https://github.com/qianguih/RSNet