Split, Merge, and Refine: Fitting Tight Bounding Boxes via Learned Over-Segmentation and Iterative Search

要約

タイトル: 学習された過剰分節化と反復的検索によるタイトなバウンディングボックスの適合

要約:
– 3D形状のタイトなバウンディングボックスを見つけるための、ニューラルネットワークベースの過剰分節化と反復的なマージ・リファインによる新しいフレームワークを提案する。
– バウンディングボックスは完全なバウンド性を保証しつつ形状に適合させる必要があるため、効率的な幾何学的操作や非監視セマンティックパーツ検出のために重要ですが、従来の方法では完全なカバレッジとタイトネスを両立することができませんでした。
– ニューラルネットワークベースの方法は目的の微分不可能性のためにこれらの目標に適していませんし、古典的な反復的検索方法は初期化に対する感度があるため問題があります。
– 学習ベースと反復的検索ベースの最良の統合により、両方のプロパティを持つバウンディングボックスを達成できることを実証しました。
– 学習ベースの過剰分節化ネットワークを利用して形状を分割し、過剰分節化を得ます。次に、新しいタイトネスに注意したマージングとストッピング基準を持つ階層的マージングを適用します。初期化に対する感度を克服するため、柔軟な報酬関数を用いたゲーム設定でバウンディングボックスパラメータをリファインします。最後に、MCTSベースのマルチアクションスペースの探索により、バウンディングボックスをさらに改良します。
– 実験結果は、この手法が完全なカバレッジ、タイトネス、適切な数のバウンディングボックスを提供できることを示しています。

要約(オリジナル)

We present a novel framework for finding a set of tight bounding boxes of a 3D shape via neural-network-based over-segmentation and iterative merging and refinement. Achieving tight bounding boxes of a shape while guaranteeing the complete boundness is an essential task for efficient geometric operations and unsupervised semantic part detection, but previous methods fail to achieve both full coverage and tightness. Neural-network-based methods are not suitable for these goals due to the non-differentiability of the objective, and also classic iterative search methods suffer from their sensitivity to the initialization. We demonstrate that the best integration of the learning-based and iterative search methods can achieve the bounding boxes with both properties. We employ an existing unsupervised segmentation network to \textbf{split} the shape and obtain over-segmentation. Then, we apply hierarchical \textbf{merging} with our novel tightness-aware merging and stopping criteria. To overcome the sensitivity to the initialization, we also \textbf{refine} the bounding box parameters in a game setup with a soft reward function promoting a wider exploration. Lastly, we further improve the bounding boxes with a MCTS-based multi-action space exploration. Our experimental results demonstrate the full coverage, tightness, and the adequate number of bounding boxes of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI