[3D点云实例分割]3D-BoNet

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。

1.Introduction