ModelNet-O: A Large-Scale Synthetic Dataset for Occlusion-Aware Point Cloud Classification

要約

最近、3D 点群分類は多くのデータセットの助けを借りて大幅に進歩しました。
ただし、これらのデータセットは、オクルージョンによって引き起こされる現実世界の点群の不完全な性質を反映していないため、現在の方法の実際の適用が制限されます。
このギャップを埋めるために、単眼カメラからのスキャンによって引き起こされる自己オクルージョンを備えた実世界の点群をエミュレートする、123,041 個のサンプルからなる大規模な合成データセットである ModelNet-O を提案します。
ModelNet-O は既存のデータセットより 10 倍大きく、既存の手法の堅牢性を評価するためのより困難なケースを提供します。
ModelNet-O に関する我々の観察では、適切に設計された疎な構造がオクルージョン下の点群の構造情報を保存できることが明らかになり、マルチレベルの臨界点サンプリング (CPS) 戦略を活用する堅牢な点群処理方法を提案する動機となっています。
このメソッドを PointMLS と呼びます。
広範な実験を通じて、PointMLS が ModelNet-O で最先端の結果を達成し、通常のデータセットで競合する結果を達成し、堅牢で効果的であることを実証しました。
さらに多くの実験により、PointMLS の堅牢性と有効性も実証されています。

要約(オリジナル)

Recently, 3D point cloud classification has made significant progress with the help of many datasets. However, these datasets do not reflect the incomplete nature of real-world point clouds caused by occlusion, which limits the practical application of current methods. To bridge this gap, we propose ModelNet-O, a large-scale synthetic dataset of 123,041 samples that emulate real-world point clouds with self-occlusion caused by scanning from monocular cameras. ModelNet-O is 10 times larger than existing datasets and offers more challenging cases to evaluate the robustness of existing methods. Our observation on ModelNet-O reveals that well-designed sparse structures can preserve structural information of point clouds under occlusion, motivating us to propose a robust point cloud processing method that leverages a critical point sampling (CPS) strategy in a multi-level manner. We term our method PointMLS. Through extensive experiments, we demonstrate that our PointMLS achieves state-of-the-art results on ModelNet-O and competitive results on regular datasets, and it is robust and effective. More experiments also demonstrate the robustness and effectiveness of PointMLS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google