ICCV2021|一种用于解决点云场景中同类对象分割的网络

首次提出：一种用于解决点云场景中同类对象分割的端到端网络

融合协同对比学习和相互注意采样机制进行无监督点云对象的同类分割

Unsupervised Point Cloud Object Co-segmentation by Co-contrastive Learning and Mutual Attention Sampling

代码地址：https://github.com/jimmy15923/unsup_point_coseg

在本文中作者提出了一项新的点云问题，点云同类对象分割，即分割一组场景点云中的同类3D 对象（可以看作是一个二类（前景、背景）分割问题）。作者将此任务定义为一个对象点采样问题，并通过相互注意模块和共同对比学习机制实现它。所提出的方法采用基于神经网络的两点采样器，即对象采样器和背景采样器。其中前者针对常见物体的采样，而后者则专注于其他物体。相互注意模块探索点云之间的逐点相关性。它嵌入在两个采样器中，可以从其他采样器中识别出具有强行跨越云相关性的点。在为两个采样器选择的点提取特征后，继续通过开发协同对比损失函数来优化网络，这样可以最小化估计对象点之间的特征差异，同时最大差异化估计对象和背景点之间的特征。该方法适用于任意对象类的点云。它是端到端可训练的，不需要点级注释。通过在 ScanObjectNN 和 S3DIS 数据集上进行评估，并取得了有潜力的结果。本文主要贡献如下：

1）首次尝试为点云同类对象分割开发端到端的可训练网络。

2）其次，将点云同类对象分割定义为采样任务，由提出的相互注意模块和共同对比学习机制来完成最终采样。

3）第三，作者的方法在两个真实数据集上进行了评估，并展示网络的潜力。

图1 无监督点云同类对象分割方法概述。该方法的输入是一组覆盖公共类别对象的点云（如本例中的椅子）。同时该方法只需要 3D 坐标作为输入。

1、目前存在的问题

基于深度学习的点云分割方法大量依赖于带有点级注释的训练数据。训练数据收集的高注释成本阻碍了点云分割的效率。

在2D 图像同类对象分割问题中，可以在没有附加注释的情况下分割一组图像中的常见对象。极大的降低了标注成本。然而，如果直接将 2D 图像同类对象分割技术应用于3D点云是具有挑战性的，因为它必须解决三个主