Instance Segmentation for Point Sets

要約

PointNet [QSMG16]やPointNet ++ [Qysg17]などの最近提案されたニューラルネットワークアーキテクチャにより、3Dポイントセットに深い学習を適用することが可能になりました。
これら2つのネットワークによって学習した形状の特徴は、セマンティックセグメンテーションのためにトレーニング分類器を有効にし、最近では類似性グループプロポーザルネットワーク（SGPN）[WYHN17]を介したセグメンテーションを可能にしました。
SGPNの著者によって強調されている改善の1つは、ポイント数で記憶集中的な類似性マトリックスの使用に関連しています。
このレポートでは、サブサンプリングポイントセットでインスタンスセグメンテーションを計算する2つのサンプリングベースのメソッドを使用してこの問題に取り組むことを試み、最寄りのNeigbhourアプローチを使用して完全なセットにラベルを外挿します。
どちらのアプローチも大規模なサブサンプルでも同様に機能しますが、ランダムベースの戦略は、速度とメモリの使用に関して最も改善されます。

要約(オリジナル)

Recently proposed neural network architectures like PointNet [QSMG16] and PointNet++ [QYSG17] have made it possible to apply Deep Learning to 3D point sets. The feature representations of shapes learned by these two networks enabled training classifiers for Semantic Segmentation, and more recently for Instance Segmentation via the Similarity Group Proposal Network (SGPN) [WYHN17]. One area of improvement which has been highlighted by SGPN’s authors, pertains to use of memory intensive similarity matrices which occupy memory quadratic in the number of points. In this report, we attempt to tackle this issue through use of two sampling based methods, which compute Instance Segmentation on a sub-sampled Point Set, and then extrapolate labels to the complete set using the nearest neigbhour approach. While both approaches perform equally well on large sub-samples, the random-based strategy gives the most improvements in terms of speed and memory usage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google