SASO：基于多尺度语义关联与显著点聚类优化的联合三维语义-实例分割
计算机视觉与模式识别
2020-06-29 v1 机器人学
摘要
我们提出了一种名为 SASO 的新型三维点云分割框架，其联合执行语义与实例分割任务。对于语义分割任务，受空间上下文中物体间固有相关性的启发，我们提出多尺度语义关联（MSA）模块以探索语义上下文信息的建设性作用。对于实例分割任务，不同于以往仅在推理过程中利用聚类的工作，我们提出显著点聚类优化（SPCO）模块，将聚类过程引入训练过程并迫使网络聚焦于难以区分的点。此外，由于室内场景的固有结构，类别分布的不平衡问题很少被考虑，却严重限制了三维场景感知的性能。为解决此问题，我们引入自适应注水采样（WFS）算法以平衡训练数据的类别分布。大量实验表明，我们的方法在基准数据集上的语义分割与实例分割任务中均优于当前最优方法。
引用
@article{arxiv.2006.15015,
title = {SASO: Joint 3D Semantic-Instance Segmentation via Multi-scale Semantic Association and Salient Point Clustering Optimization},
author = {Jingang Tan and Lili Chen and Kangru Wang and Jingquan Peng and Jiamao Li and Xiaolin Zhang},
journal= {arXiv preprint arXiv:2006.15015},
year = {2020}
}
备注
8 pages,6 figures