最佳點(diǎn)云分割分析

Learning to Optimally
Segment Point Clouds

論文鏈接：https://arxiv.org/abs/1912.04976

摘要

我們關(guān)注LiDAR點(diǎn)云的無(wú)類實(shí)例分割問(wèn)題。我們提出了一種將圖論搜索與數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)相結(jié)合的方法：在一組候選分割中搜索綜合目標(biāo)性（objectness）評(píng)分較高的候選分割。我們證明了，如果根據(jù)分割中最低的目標(biāo)性對(duì)分割進(jìn)行評(píng)分，那么就有一種有效的算法可以在成倍數(shù)量的候選分割中找到最優(yōu)的最壞情況分割。此外，我們還針對(duì)平均情況提出了一種有效的算法。為了進(jìn)行評(píng)估，我們將KITTI 3D檢測(cè)重新用作分割基準(zhǔn)，并通過(guò)經(jīng)驗(yàn)證明了我們的算法在分割點(diǎn)云上的性能明顯優(yōu)于過(guò)去的自下而上的分割方法和自上而下的基于對(duì)象的算法。

主要貢獻(xiàn)

? 利用幾何約束減少候選分割的數(shù)量，并構(gòu)建樹結(jié)構(gòu)

? 利用樹結(jié)構(gòu)進(jìn)行最優(yōu)分割搜索，提出可應(yīng)用動(dòng)態(tài)規(guī)劃的高效搜索算法

)

主要方法

1. 構(gòu)建滿足幾何約束的分割搜索樹。有些分割方案，如{ {1,2,5}， {3,4,6}} 不滿足（如果次近鄰?fù)瑢僖粋€(gè)分割個(gè)體那么最近鄰也應(yīng)屬于同一個(gè)個(gè)體）幾何約束而被舍棄。剩余的候選分割可以構(gòu)建一個(gè)如下圖的樹結(jié)構(gòu)
   。數(shù)字1-6分別代表點(diǎn)云中的6個(gè)點(diǎn)，右圖中一個(gè)頂點(diǎn)(vertext) 代表相應(yīng)的分割個(gè)體（segment）， 通過(guò)頂點(diǎn)切割可以獲得候選分割方案，如切割節(jié)點(diǎn) {1,2,3,4,5,6} 的兩個(gè)鏈接即可獲得代表 {{1,2,3}， {4,5,6}} 的候選分割方案。

2. 假設(shè)，已知樹結(jié)構(gòu)中任意一個(gè)頂點(diǎn)，即任意分割個(gè)體（segment）的目標(biāo)性（objectness），遍歷全部候選切割找到最優(yōu)分割仍然隨點(diǎn)云中點(diǎn)的數(shù)量而指數(shù)性增長(zhǎng)。文章證明以候選分割中個(gè)體的最低目標(biāo)性評(píng)分作為目標(biāo)函數(shù)，可以大大提升搜索效率，同時(shí)保證獲得最優(yōu)的最壞情況分割?；谶@一結(jié)論，文章提出如下圖所示算法一，其中C為當(dāng)前頂點(diǎn)，Tc為以C為根節(jié)點(diǎn)的樹。

該算法從樹根開始進(jìn)行深度優(yōu)先搜索：

? 如果當(dāng)前節(jié)點(diǎn)的任一子節(jié)點(diǎn)的目標(biāo)性評(píng)分更低，則對(duì)當(dāng)前分枝剪枝，返回當(dāng)前節(jié)點(diǎn)的分割個(gè)體和相應(yīng)的目標(biāo)性評(píng)分。

? 如果全部子節(jié)點(diǎn)的目標(biāo)性評(píng)分都比當(dāng)前節(jié)點(diǎn)更高，則繼續(xù)對(duì)子節(jié)點(diǎn)進(jìn)行深度優(yōu)先搜索。

3. 將算法一中的目標(biāo)函數(shù)由最低目標(biāo)性評(píng)分更換為平均目標(biāo)性評(píng)分雖然無(wú)法保證獲得最優(yōu)的平均情況分割，但是實(shí)驗(yàn)數(shù)據(jù)表明使用平均目標(biāo)性評(píng)分結(jié)果更好。

4. 分割個(gè)體的目標(biāo)性是可學(xué)習(xí)的，本文以改進(jìn)的 IoU 作為目標(biāo)性標(biāo)簽訓(xùn)練 PointNet++ 回歸網(wǎng)絡(luò)，損失函數(shù)為預(yù)測(cè)和標(biāo)簽的均方誤差。

主要結(jié)果

文章使用KITTI作為實(shí)驗(yàn)數(shù)據(jù)集，點(diǎn)云分割和點(diǎn)云實(shí)例分割的結(jié)果如下圖 TABLE I 和 TABLE II 所示：本文提出的方法與 SECOND++ 相比在 car 等常見分類中表現(xiàn)更差，但是在 misc 等少見分類中表現(xiàn)更佳。

下圖展示了文章提出的方法在四個(gè)不同情景下的輸出樣例。

總結(jié)

以上是生活随笔為你收集整理的最佳点云分割分析的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。