摘要
我们介绍了一种简单直观的深度学习框架——相似性组提案网络（SGPN），用于点云上的三维物体实例分割。SGPN通过单一网络预测点分组提案及其对应的语义类别，从而可以直接从中提取实例分割结果。对SGPN的有效性至关重要的是其新颖的表示方法，即在嵌入特征空间中以相似性矩阵的形式表示三维实例分割结果，该矩阵指示每对点之间的相似性，从而为每个点生成精确的分组提案。据我们所知，SGPN是首个学习点云上三维实例感知语义分割的框架。在各种三维场景中的实验结果表明了我们的方法在三维实例分割方面的有效性，同时我们也评估了SGPN在提高三维物体检测和语义分割结果方面的能力。此外，我们还展示了其灵活性，通过无缝集成二维卷积神经网络（CNN）特征来提升性能。