【点云分割】边界分割对点云分割的监督学习(CBL)

对于大场景点云分割来说，对于邻域局部特征进行学习聚合时，对于类别的边界点云分割效果往往不好，因为学习局部特征时没有一个区别度，常常会将不同类别的点云聚合到一起进行下采样。利用边界分割对点云分割进行一个监督学习，实验证明可以有助于分割结果。网络框架不需要进行多层的注意力学习等。CBL这篇文章就是对边界点云进行了一个监督学习，利用的输入时点云的真实标签，该模块可以以很多点云分割网络(PointTransformer、RandLA等)作为baseline，效果都要优于它们。
首先定义了边界点云的真实标签和预测标签，因为对于边界点云分割的Miou和内部的是不同的，所以它定义了一下边界和内部的IOU，Bl和Bp分别是真值和预测。


但是上面的Miou不会考虑假边界，所以作者受2D实例分割的IOU边界思想，定义了一个B-iou进行评估。

对于边界学习，其实就是利用一个损失函数，对边界的点云进行监督学习，在原有网络的基础之上加一个正则化项，如下所示：

其中上式的Bl代表真实标签点云，fi是xi的特征，d(,)是一个距离测量函数，τ是一个温度系数，这个可以理解为边界点相同类别的点云参数与所有边界点的一个比值。如下图，它的意思就是将边界点的相同类别的点进行一个拉伸(pull together)，对不同类别的点进行一个推开(push apart)。

对于监督学习的下采样部分，它是利用的平均池化的一种方法，对上一层的点云标签进行下采样。

整体的网络损失是点云分割中的交叉熵损失加上作者监督学习的CBL损失，得到一个新的损失函数，用于网络的学习。

实验中它不仅验证了定义的MIOU，还验证了2D分割中的BIOU，实验证明CBL的作用还是蛮大的。它的Baseline网络利用的是RandLA、ConvNet等，在这些网络上添加CBL模块，在先进的Semantic3D、S3DIS等数据集上表现了良好的性能，消融实验中也证明了一些模块的作用。具体的Baseline和实验大家可以看下论文详细说明。


论文网址：https://arxiv.53yu.com/pdf/2203.05272.pdf