重访点云分类：基于真实世界数据的新基准数据集与分类模型
计算机视觉与模式识别
2019-08-20 v2
摘要
针对点云数据的深度学习技术在解决三维计算机视觉中的经典问题（如三维物体分类与分割）方面已展现出巨大潜力。近期若干三维物体分类方法在 ModelNet40 等 CAD 模型数据集上报告了最先进的性能，准确率高达约 92%。尽管结果令人印象深刻，本文认为当物体处于真实世界场景时，物体分类仍是一项具有挑战性的任务。为证明这一点，我们引入了 ScanObjectNN，一个基于扫描室内场景数据的真实世界点云物体数据集。通过全面的基准测试，我们表明该数据集对现有点云分类技术提出了巨大挑战，因为真实世界扫描中的物体常因遮挡而带有背景杂波和/或存在残缺。我们指出了点云物体分类的三个关键开放问题，并提出了新的点云分类神经网络，在带有杂乱背景的物体分类上取得了最先进的性能。我们的数据集与代码已在项目页面 https://hkust-vgd.github.io/scanobjectnn/ 公开。
引用
@article{arxiv.1908.04616,
title = {Revisiting Point Cloud Classification: A New Benchmark Dataset and Classification Model on Real-World Data},
author = {Mikaela Angelina Uy and Quang-Hieu Pham and Binh-Son Hua and Duc Thanh Nguyen and Sai-Kit Yeung},
journal= {arXiv preprint arXiv:1908.04616},
year = {2019}
}
备注
ICCV 2019 Oral