面向点云三维实例分割的可扩展SoftGroup
计算机视觉与模式识别
2023-12-29 v3
摘要
本文考虑一种称为SoftGroup的网络，用于准确且可扩展的三维实例分割。现有最优方法先产生硬语义预测，再进行分组实例分割。遗憾的是，硬决策带来的误差传播到分组中，导致预测实例与真值重叠差且大量假阳性。为解决上述问题，SoftGroup允许每个点与多个类别关联，以缓解语义预测的不确定性。它还通过学习将假阳性实例分类为背景来抑制假阳性。在可扩展性方面，现有快速方法在大规模场景上需数十秒计算时间，不尽如人意且远不能实时应用。我们的发现是，作为分组前提的k近邻（k-NN）模块引入了计算瓶颈。SoftGroup被扩展以解决该计算瓶颈，称为SoftGroup++。所提SoftGroup++通过八叉树k-NN降低时间复杂度，并通过类感知金字塔缩放与延迟去体素化缩减搜索空间。在多种室内外数据集上的实验结果表明了所提SoftGroup与SoftGroup++的有效性与通用性。其性能在AP_50指标上大幅超越最佳基线（6%～16%）。在大规模场景数据集上，SoftGroup++相较SoftGroup平均实现6倍加速。此外，SoftGroup可扩展用于目标检测与全景分割，相较现有方法取得显著提升。源代码与训练模型见https://github.com/thangvubk/SoftGroup。
引用
@article{arxiv.2209.08263,
title = {Scalable SoftGroup for 3D Instance Segmentation on Point Clouds},
author = {Thang Vu and Kookhoi Kim and Tung M. Luu and Thanh Nguyen and Junyeong Kim and Chang D. Yoo},
journal= {arXiv preprint arXiv:2209.08263},
year = {2023}
}
备注
Accepted by TPAMI. Extension of arXiv:2203.01509