最佳点云分割分析
最佳點云分割分析
Learning to Optimally
Segment Point Clouds
論文鏈接：https://arxiv.org/abs/1912.04976
摘要
我們關注LiDAR點云的無類實例分割問題。我們提出了一種將圖論搜索與數(shù)據(jù)驅(qū)動的學習相結(jié)合的方法：在一組候選分割中搜索綜合目標性（objectness）評分較高的候選分割。我們證明了，如果根據(jù)分割中最低的目標性對分割進行評分，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，我們還針對平均情況提出了一種有效的算法。為了進行評估，我們將KITTI 3D檢測重新用作分割基準，并通過經(jīng)驗證明了我們的算法在分割點云上的性能明顯優(yōu)于過去的自下而上的分割方法和自上而下的基于對象的算法。
主要貢獻
? 利用幾何約束減少候選分割的數(shù)量，并構建樹結(jié)構
? 利用樹結(jié)構進行最優(yōu)分割搜索，提出可應用動態(tài)規(guī)劃的高效搜索算法
)
主要方法
- 構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（如果次近鄰同屬一個分割個體那么最近鄰也應屬于同一個個體）幾何約束而被舍棄。剩余的候選分割可以構建一個如下圖的樹結(jié)構
。數(shù)字1-6分別代表點云中的6個點，右圖中一個頂點(vertext) 代表相應的分割個體（segment）， 通過頂點切割可以獲得候選分割方案，如切割節(jié)點 {1,2,3,4,5,6} 的兩個鏈接即可獲得代表 {{1,2,3}， {4,5,6}} 的候選分割方案。
- 假設，已知樹結(jié)構中任意一個頂點，即任意分割個體（segment）的目標性（objectness），遍歷全部候選切割找到最優(yōu)分割仍然隨點云中點的數(shù)量而指數(shù)性增長。文章證明以候選分割中個體的最低目標性評分作為目標函數(shù)，可以大大提升搜索效率，同時保證獲得最優(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為當前頂點，Tc為以C為根節(jié)點的樹。
該算法從樹根開始進行深度優(yōu)先搜索：
? 如果當前節(jié)點的任一子節(jié)點的目標性評分更低，則對當前分枝剪枝，返回當前節(jié)點的分割個體和相應的目標性評分。
? 如果全部子節(jié)點的目標性評分都比當前節(jié)點更高，則繼續(xù)對子節(jié)點進行深度優(yōu)先搜索。
-
將算法一中的目標函數(shù)由最低目標性評分更換為平均目標性評分雖然無法保證獲得最優(yōu)的平均情況分割，但是實驗數(shù)據(jù)表明使用平均目標性評分結(jié)果更好。
-
分割個體的目標性是可學習的，本文以改進的 IoU 作為目標性標簽訓練 PointNet++ 回歸網(wǎng)絡，損失函數(shù)為預測和標簽的均方誤差。
主要結(jié)果
文章使用KITTI作為實驗數(shù)據(jù)集，點云分割和點云實例分割的結(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不同情景下的輸出樣例。
總結(jié)
- 上一篇： 3D车道线检测：Gen-LaneNet
- 下一篇： 行人检测与重识别！SOTA算法