面向点云三维实例分割的 SoftGroup 方法
计算机视觉与模式识别
2022-03-04 v1
摘要
现有最先进的三维实例分割方法先执行语义分割再进行分组。在执行语义分割时采用硬预测，使得每个点仅关联单一类别。然而，硬决策带来的误差会传播至分组阶段，导致（1）预测实例与真值之间的重叠度低，以及（2）大量假阳性。为解决上述问题，本文提出一种称为 SoftGroup 的三维实例分割方法，其采用自底向上的软分组继而自顶向下精炼。SoftGroup 允许每个点关联多个类别，以缓解语义预测误差带来的问题，并通过学习将假阳性实例分类为背景来抑制假阳性实例。在不同数据集与多种评价指标上的实验结果证明了 SoftGroup 的有效性。在 ScanNet v2 隐藏测试集上，其性能以 AP_50 衡量比最强已有方法显著高出 +6.2%，在 S3DIS Area 5 上高出 +6.8%。SoftGroup 亦十分快速，在 ScanNet v2 数据集上采用单块 Titan X 处理每次扫描仅需 345 毫秒。两个数据集的源代码与训练模型可在 \url{https://github.com/thangvubk/SoftGroup.git} 获取。
引用
@article{arxiv.2203.01509,
title = {SoftGroup for 3D Instance Segmentation on Point Clouds},
author = {Thang Vu and Kookhoi Kim and Tung M. Luu and Xuan Thanh Nguyen and Chang D. Yoo},
journal= {arXiv preprint arXiv:2203.01509},
year = {2022}
}
备注
To appear in CVPR 2022