转载请注明作者和出处: http://blog.csdn.net/john_bh/
论文链接:Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds
作者及团队:Bo Yang & JiananWang &Ronald Clark 等 [牛津大学 & deepmind & 伦敦帝国理工学院 & 赫瑞瓦特大学]
会议及时间:NeurIPS 2019
code:github
论文解读
论文翻译
Abstract
我们提出了一种新颖的,概念上简单且通用的框架,用于在3D点云上进行实例分割。我们的方法称为3D-BoNet,遵循每点多层感知器(MLP)的简单设计原理。该框架为点云中的所有实例直接回归3D边界框,同时为每个实例预测点级蒙版。它由一个骨干网和两个并行的网络分支组成,用于1)边界框回归和2)点掩码预测。 3D-BoNet是单阶段,免锚且可端到端训练的。此外,由于与现有方法不同,它不需要任何后处理步骤(例如非最大抑制,特征采样,聚类或投票),因此计算效率非常高。大量的实验表明,我们的方法在ScanNet和S3DIS数据集上都超过了现有工作,同时在计算效率方面提高了约10倍。综合消融研究证明了我们设计的有效性。