تعلم التجزئة الاحتمالية للInstances في السحابات النقطية

تقدم هذه الورقة منهجية جديدة لتقسيم المثيلات في السحابات ثلاثية الأبعاد من النقاط. يُسمى المنهج المقترح بشبكة مركز المثيلات الغاوسيّة (GICN)، والتي تُقدّر توزيعات مراكز المثيلات المتناثرة في المشهد كخرائط حرارة مركزية غاوسيّة. وباستنادًا إلى الخرائط المُقدّرة، يمكن اختيار عدد قليل جدًا من مرشّحات المراكز بسهولة وفعالية لاستخدامها في التنبؤات اللاحقة، بما في ذلك: (أ) تنبؤ حجم كل مركز لتحديد نطاق استخراج الميزات، (ب) إنشاء صناديق حدودية (Bounding Boxes) لكل مركز، (ج) إنتاج الأقنعة النهائية للمثيلات. تُعدّ GICN بنية أحادية المرحلة، خالية من المعايير (anchor-free)، ومتعددة المدخلات والمخرجات (end-to-end)، مما يجعلها سهلة التدريب وفعّالة في التنبؤ. وبفضل آلية التحكم بالمركز مع اختيار تلقائي لحجم المثيلات المتكيف، تحقق هذه الطريقة أداءً متفوّقًا على مستوى الحد الأقصى (state-of-the-art) في مهمة تقسيم المثيلات ثلاثية الأبعاد على مجموعتي بيانات ScanNet وS3DIS.