基于点云的有监督与无监督场景流估计
计算机视觉与模式识别
2020-11-03 v1 机器学习
机器人学
摘要
场景流是场景的三维（3D）运动场。它提供了动态环境中物体的空间排列和变化率信息。当前基于学习的方法试图直接从点云估计场景流，并取得了最先进的性能。然而，监督学习方法本质上是领域特定的，并且需要大量标注数据。在真实世界点云上标注场景流既昂贵又具有挑战性，而此类数据集的缺乏最近激发了人们对自监督学习方法的兴趣。如何在没有标注真实世界数据的情况下准确且鲁棒地学习场景流表示仍然是一个开放问题。在这里，我们提出了一个简单且可解释的目标函数来从点云恢复场景流。我们使用点云的图拉普拉斯算子将场景流正则化为“尽可能刚性”。我们提出的目标函数可以在有监督或无监督的情况下使用——作为自监督信号来学习场景流表示，或者作为非学习方法在运行时优化场景流。我们的方法在许多数据集上优于相关工作。我们还展示了我们提出的方法在两个应用中的直接应用：运动分割和点云稠密化。
引用
@article{arxiv.2011.00320,
title = {Scene Flow from Point Clouds with or without Learning},
author = {Jhony Kaesemodel Pontes and James Hays and Simon Lucey},
journal= {arXiv preprint arXiv:2011.00320},
year = {2020}
}
备注
International Conference on 3D Vision (3DV 2020)