重新思考三维点云上实例分割的任务与度量
机器学习
2019-09-30 v1 机器学习
摘要
三维点云上的实例分割是实现自动驾驶汽车和机器人最广泛研究的领域之一。某些现有研究将输入点云分割成如 1m x 1m 的小区域；其原因之一是这些研究中的模型由于较大的空间复杂度而无法处理大量点。然而，由于此类小区域偶尔仅包含极少数属于同一类的实例，使用现有度量（如 mAP）的评估在很大程度上受类别识别性能的影响。为解决这些问题，我们提出了一种空间复杂度为 O(Np) 的新方法，使得可以处理大区域，以及独立于输入类别或大小的任务的新颖度量。我们的方法学习从输入点云到嵌入空间的映射，在嵌入空间中各实例的嵌入形成簇，并在测试时利用这些簇区分实例。我们的方法使用现有和所提出的度量均达到了 SOTA 性能。此外，我们表明我们的新度量能够评估任务性能而不受任何其他条件的影响。
引用
@article{arxiv.1909.12655,
title = {Rethinking Task and Metrics of Instance Segmentation on 3D Point Clouds},
author = {Kosuke Arase and Yusuke Mukuta and Tatsuya Harada},
journal= {arXiv preprint arXiv:1909.12655},
year = {2019}
}
备注
The 4th Workshop on Geometry Meets Deep Learning (ICCV Workshop 2019)