SemAffiNet：用于点云分割的语义-仿射变换
计算机视觉与模式识别
2022-05-27 v1 人工智能
机器学习
摘要
传统的点云语义分割方法通常采用编码器-解码器架构，其中中级特征被局部聚合以提取几何信息。然而，对这些与类别无关的局部几何表示的过度依赖可能会在不同类别间外观相似或空间相邻的局部部件之间引起混淆。为解决这个问题，我们认为中级特征可进一步用语义信息增强，并提出语义-仿射变换，以类别特定的仿射参数变换属于不同类别的中级点特征。基于该技术，我们提出用于点云语义分割的 SemAffiNet，其利用 Transformer 模块中的注意力机制隐式与显式地捕获局部部件内的全局结构知识，以对每个类别进行整体理解。我们在 ScanNetV2 和 NYUv2 数据集上进行了大量实验，并在各种 3D 点云和 2D 图像分割基线上评估语义-仿射变换，定性和定量结果均证明了我们所提方法的优越性与泛化能力。代码见于 https://github.com/wangzy22/SemAffiNet。
引用
@article{arxiv.2205.13490,
title = {SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation},
author = {Ziyi Wang and Yongming Rao and Xumin Yu and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2205.13490},
year = {2022}
}
备注
Accepted to CVPR 2022