SceneCut：室内场景的几何与物体联合分割
计算机视觉与模式识别
2018-05-25 v2 机器人学
摘要
本文提出了 SceneCut，一种利用单张 RGB-D 图像联合发现先前未见物体与非物体表面的新方法。SceneCut 对场景语义和几何的联合推理使得机器人能够在复杂场景中检测并分割物体实例，而在这些场景中，现代基于深度学习的方法要么无法分离物体实例，要么无法检测到训练期间未见过的物体。SceneCut 自动将场景分解为代表物体或场景表面的有意义区域。该分解由一个关于目标性和几何拟合的统一能量函数来限定。我们展示了如何通过利用层次分割树来高效优化该能量函数。此外，我们利用预训练的卷积定向边界网络从图像中预测精确的边界，这些边界被用于构建高质量的区域层次结构。我们在多个不同的室内环境中对 SceneCut 进行了评估，结果表明 SceneCut 显著优于所有现有方法。
引用
@article{arxiv.1709.07158,
title = {SceneCut: Joint Geometric and Object Segmentation for Indoor Scenes},
author = {Trung Pham and Thanh-Toan Do and Niko Sünderhauf and Ian Reid},
journal= {arXiv preprint arXiv:1709.07158},
year = {2018}
}
备注
Published in ICRA 2018