前言
在阅读PointNet和PointNet++两篇论文后,定下来自己的研究方向为3D点云的语义分割,因此找了几篇相关的论文进行阅读了解,首先是2018年的这篇《SGPN: Similarity Group Proposal Network for 3D Point Cloud Instance Segmentation》,[原文链接](https://arxiv.org/abs/1711.08588)。注:以下仅为个人想法,若有错误还望批评指正。
一、目的
- 将点云进行语义分割:区别出来不同类别的物体,例如:桌子、椅子…
- 将点云进行实例分割:区别出来不同实例的个体,例如:桌子1、桌子2…
二、方法
主要框架结构分为三个模块——SImilarity Matrix(相似矩阵)、Similarity Confidence Network(置信图)、Semantic Segmentation Map(语义分割图)。首先是将一组3D点云(Np*3)通过PointNet进行特征扩展成Np*Nr的特征矩阵,进而将这个矩阵分别输入到上述三个模块中,命名为Fsim、Fcf、Fsem。
1.SImilarity Matrix(相似矩阵)
- 作用:描述点与点之间的关系。
- 方法:通过L2范数求得两个点的特征距离,若值越小,代表两个点离得近,进而属于同一类的概率将会变大。
- 损失:把点间关系分为三类——i和j属于同一个对象实例、i和j属于同一语义类但不属于同一实例、i和j不属于同一语义类。损失函数Lsim如下图所示: