From CAD models to soft point cloud labels: An automatic annotation pipeline for cheaply supervised 3D semantic segmentation

要約

私たちは、入力として適合 CAD モデルのセットを含む生の 3D 点群を取得し、点群セグメンテーションのための安価なトレーニング データとして使用できる説得力のある点ごとのラベルを出力する完全自動アノテーション スキームを提案します。
手動アノテーションと比較して、自動ラベルが正確でありながら、アノテーション時間を大幅に短縮し、手動介入やデータセット固有のパラメーターの必要性を排除していることを示します。
私たちのラベリング パイプラインは、セマンティック クラスとソフト ポイントごとのオブジェクト スコアを出力します。これらは、標準のワンホット エンコードされたラベルにバイナリ化することも、曖昧な点をラベルなしのままにして弱いラベルにしきい値処理することも、トレーニング中にソフト ラベルとして直接使用することもできます。
実際の産業点群のデータセットと屋内シーンの公開データセットである Scan2CAD で、PointNet++ のラベル品質とセグメンテーション パフォーマンスを評価します。
私たちの結果は、自動的にラベルを付けるのがより難しい領域での監視を減らすことは、すべてのポイントに厳密な「最善の推測」ラベルを単純に割り当てる従来のアプローチと比較して有益であることを示しています。

要約(オリジナル)

We propose a fully automatic annotation scheme that takes a raw 3D point cloud with a set of fitted CAD models as input and outputs convincing point-wise labels that can be used as cheap training data for point cloud segmentation. Compared with manual annotations, we show that our automatic labels are accurate while drastically reducing the annotation time and eliminating the need for manual intervention or dataset-specific parameters. Our labeling pipeline outputs semantic classes and soft point-wise object scores, which can either be binarized into standard one-hot-encoded labels, thresholded into weak labels with ambiguous points left unlabeled, or used directly as soft labels during training. We evaluate the label quality and segmentation performance of PointNet++ on a dataset of real industrial point clouds and Scan2CAD, a public dataset of indoor scenes. Our results indicate that reducing supervision in areas that are more difficult to label automatically is beneficial compared with the conventional approach of naively assigning a hard ‘best guess’ label to every point.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google