Concavity-Induced Distance for Unoriented Point Cloud Decomposition

要約

我々は、方向のない点群内の点のペア間の非類似性を測定する新しい方法として、凹面誘起距離 (CID) を提案します。
CID は、点群として表される基礎となる形状の異なる凸部に属する 2 つの点または 2 つの点セットの可能性を示します。
その特性を分析した後、CID がメッシュ化や法線推定を必要とせずに点群解析にどのようなメリットをもたらすかを示します。これは、生の点群観測を扱う際のロボット工学アプリケーションにとって有益です。
手動ラベル付け用に非常に少数の点をランダムに選択することにより、ラベル伝播による CID ベースの点群インスタンスのセグメンテーションは、S3DIS および ScanNet データセット上で、最近の教師あり深層学習アプローチと同等の平均精度を達成します。
さらに、CID を使用すると、点をほぼ凸状のパーツにグループ化することができ、その凸包はロボット工学におけるコンパクトなシーン表現として使用でき、グループ化の品質の点でベースライン方法よりも優れています。
私たちのプロジェクトの Web サイトは、https://ai4ce.github.io/CID/ から入手できます。

要約(オリジナル)

We propose Concavity-induced Distance (CID) as a novel way to measure the dissimilarity between a pair of points in an unoriented point cloud. CID indicates the likelihood of two points or two sets of points belonging to different convex parts of an underlying shape represented as a point cloud. After analyzing its properties, we demonstrate how CID can benefit point cloud analysis without the need for meshing or normal estimation, which is beneficial for robotics applications when dealing with raw point cloud observations. By randomly selecting very few points for manual labeling, a CID-based point cloud instance segmentation via label propagation achieves comparable average precision as recent supervised deep learning approaches, on S3DIS and ScanNet datasets. Moreover, CID can be used to group points into approximately convex parts whose convex hulls can be used as compact scene representations in robotics, and it outperforms the baseline method in terms of grouping quality. Our project website is available at: https://ai4ce.github.io/CID/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google