PrimitiveNet: Primitive Instance Segmentation with Local Primitive Embedding under Adversarial Metric
PrimitiveNet: Primitive Instance Segmentation with Local Primitive Embedding under Adversarial Metric(PrimitiveNet:基于对抗度量的局部基元嵌入基元实例分割)
2021 ICCV
代码地址:https://github.com/hjwdzh/PrimitiveNet
该论文主要讲的是分割。
摘要
我们提出了PrimitiveNet,一种用于大规模点云的高分辨率原始实例分割的新方法。我们的关键思想是将全局分割问题转化为更容易的局部任务。我们训练了一个高分辨率的原始嵌入网络来预测每个点的显式几何特征和隐式潜在特征。该嵌入与一个对抗网络共同训练,作为一个原始判别器来判断点是否来自局部邻域的同一原始实例。这种局部监督鼓励学习嵌入和判别器描述局部表面性质,并鲁棒区分不同的实例。
在推理阶段,网络预测后采用区域增长方法完成分割。实验表明,我们的方法在ABC数据集上显著优于现有的基于平均精度的最先进方法(46.3%)[31]。我们可以处理超过0.1km2的超大真实场景。消融研究突出了我们核心设计的贡献。
最后,我们的方法可以改进几何处理算法,将扫描抽象为轻量级模型。
贡献
本文贡献如下:
- 我们设计了一个对抗的原始嵌入网络来学习判别的局部表面性质。
- 我们提出了一个结合点和体素特征的高分辨率主干。
- 我们的设计明显优于目前的技术水平,可以处理非常大规模的环境。
- 我们将我们的算法集成到一个流水线中,该流水线从实际扫描中生成轻量级模型。
框架
实验结果
结论
我们提出了一种新的原始实例分割方法,通过联合训练一个嵌入网络和一个判别器来学习局部表面性质。它明显优于现有的作品和处理大场景。我们的方法有利于将点云抽象为轻量级3D模型的传统算法。