SEGCloud：3D 点云的语义分割
计算机视觉与模式识别
2017-10-23 v1
摘要
3D 语义场景标注对于在现实世界中运行的智能体至关重要。特别是，对来自传感器的原始 3D 点集进行标注可提供细粒度的语义信息。近期工作利用了神经网络（NNs）的能力，但仅限于粗糙的体素预测，且未显式强制全局一致性。我们提出了 SEGCloud，这是一个端到端框架，用于获取 3D 点级分割，结合了神经网络、三线性插值（TI）和全连接条件随机场（FC-CRF）的优势。来自 3D 全卷积神经网络的粗糙体素预测通过三线性插值回传至原始 3D 点。随后，FC-CRF 强制全局一致性，并在点上提供细粒度的语义信息。我们将后者实现为可微分的循环神经网络（RNN），以允许联合优化。我们在两个室内和两个室外 3D 数据集（NYU V2、S3DIS、KITTI、Semantic3D.net）上评估了该框架，结果显示其在所有数据集上的性能与最先进（SOTA）方法相当或更优。
引用
@article{arxiv.1710.07563,
title = {SEGCloud: Semantic Segmentation of 3D Point Clouds},
author = {Lyne P. Tchapmi and Christopher B. Choy and Iro Armeni and JunYoung Gwak and Silvio Savarese},
journal= {arXiv preprint arXiv:1710.07563},
year = {2017}
}
备注
Accepted as a spotlight at the International Conference of 3D Vision (3DV 2017)