【点云识别】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds

Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds

本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。
论文
目前还没有开源代码

1. 问题

目前获得大规模点云已经不是一件困难的事情了,但是对其进行标注是十分费时。
例如 ScanNet 数据集,对一个scan标注时间的中位数和平均数大概是16.8min和22.3min。

所以本文想要解决弱监督点云分割的问题。

2. 思想

在这里插入图片描述

通过Scene-level 和 Subcloud-level 的label完成点云的分割。

在这里插入图片描述
前端使用了point class activation map(PCAM)进行特征的提取,然后 Multi Path
Region Mining模块进行enhance,使用element-wise maximum 得到label。最后使用了一个CRF进行refine。

3. 算法

3.1 point class activation map(PCAM)

在这里插入图片描述
使用KPConv和ResNet blocks 作为主体网络。

3.2 MultiPath Region Mining

在这里插入图片描述
使用了三种attention方式。值得一提的是,在最后的sum环节,对于attention后的feature又给了一个权重 β \beta β,这个权重 β \beta β是可学习的。

4 实验结果

在这里插入图片描述
在这里插入图片描述在这里插入图片描述
Ablation study这里比较有意思,仔细观察就会发现作者并没有给出SA+CA, SA+PSA, CA+PSA中的任意一个结果。根据之前的实验经验猜测,这三种attention叠加到一起,效果不一定会优于其中任意两种的叠加。因为会存在冗余,重复的过程。

总结

应该是点云无监督分割的先行者,算是为这个方向迈出了第一步。从效果上看比较一般,可能是无监督分割的难度太大。attention处整理得比较好,应该是我见过的最清晰的一篇。AAAI2020也有一篇使用了channel,point,local attention,但是写的没有这篇清晰简洁,值得学习。

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 3
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值