3D点云分割论文阅读(一)——SGPN: Similarity Group Proposal Network for 3D Point Cloud Instance Segmentation

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：