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

要約

タイトル：学習されたオーバーセグメンテーションと反復探索によるタイトなバウンディングボックスの合わせ込み

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新しいフレームワークを提案する。
– 以前の方法では、完全なカバレッジとタイトさの両方を保証することができず、これらの目標にはニューラルネットワークベースの手法は適していない。
– 提案手法は、既存の教師なしセグメンテーションネットワークを使用して形状を分割し、階層的なマージングとタイトさに敏感なマージングと停止基準を適用している。
– 初期化に対する感度を克服するために、ソフトリワード関数を使用してゲームセットアップでバウンディングボックスパラメーターを調整し、MCTSベースのマルチアクションスペース探索によってバウンディングボックスをさらに改善している。
– 実験結果は、提案手法の完全なカバレッジ、タイトさ、そして適切な数のバウンディングボックスを示している。

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 split the shape and obtain over-segmentation. Then, we apply hierarchical merging with our novel tightness-aware merging and stopping criteria. To overcome the sensitivity to the initialization, we also 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