概要
论文链接:https://arxiv.org/abs/2305.16404
代码链接:https://github.com/vLAR-group/GrowSP
本文的研究主要关注点云的三维语义分割问题。与目前主要依赖于人工注释数据训练神经网络的方法不同,本文提出了一种全新的无监督方法,名为GrowSP。该方法能够成功地识别3D场景中每个点的复杂语义类别,而无需任何标签或预训练模型。
该方法的核心思想是通过逐步增加超点的方式发现三维语义元素。本文的方法由三个主要部分组成:
1)特征提取器:从输入的点云数据中学习逐点的特征。
2)超点构造器:逐步增加超点的大小。
3)语义基元聚类模块:将超点分组为语义元素,以进行最终的语义分割。
本文在多个数据集上对GrowSP进行了广泛评估,并证明了其在所有无监督基线方法上的优越性能,同时接近于经典的全监督PointNet方法。
引言
赋予机器自动发现复杂3D场景的语义组合的能力对于许多尖端应用程序至关重要。在过去几年中,针对三维点云的全监督语义分割已经取得了巨大的进展。通过PointNet、SparseConv以及最近的神经模型等方法,每点语义估计的准确性和效率都得到了极大提高。然而,这些方法的成功主要依赖于大规模的人工注释来训练深度神经网络。
然而,由于数据格式非结构化,手动标注现实世界的3D点云成本极高。为了缓解这个问题,最近的一些方法开