[3D點雲執行個體分割]3D-BoNet

轉載請注明作者和出處： http://blog.csdn.net/john_bh/

論文連結:Learning Object Bounding Boxes for 3D Instance Segmentation on Point Clouds

作者及團隊：Bo Yang & JiananWang &Ronald Clark 等 [牛津大學 & deepmind & 倫敦帝國理工學院 & 赫瑞瓦特大學]

會議及時間：NeurIPS 2019

code:github

文章目錄

• • 論文解讀
  • 論文翻譯
  • • Abstract
    • 1.Introduction

論文解讀

論文翻譯

Abstract

我們提出了一種新穎的，概念上簡單且通用的架構，用于在3D點雲上進行執行個體分割。我們的方法稱為3D-BoNet，遵循每點多層感覺器（MLP）的簡單設計原理。該架構為點雲中的所有執行個體直接回歸3D邊界框，同時為每個執行個體預測點級蒙版。它由一個骨幹網和兩個并行的網絡分支組成，用于1）邊界框回歸和2）點掩碼預測。 3D-BoNet是單階段，免錨且可端到端訓練的。此外，由于與現有方法不同，它不需要任何後處理步驟（例如非最大抑制，特征采樣，聚類或投票），是以計算效率非常高。大量的實驗表明，我們的方法在ScanNet和S3DIS資料集上都超過了現有工作，同時在計算效率方面提高了約10倍。綜合消融研究證明了我們設計的有效性。

1.Introduction