Punktewolken-Übersegmentierung mit graphstrukturiertem tiefem Metrik-Lernen

Wir schlagen einen neuen überwachten Lernrahmen vor, um 3D-Punktwolken in Superpunkte zu übersegmentieren. Dieses Problem wird als das Lernen tiefer Einbettungen der lokalen Geometrie und Radiometrie von 3D-Punkten formuliert, sodass die Ränder von Objekten hohe Kontraste aufweisen. Die Einbettungen werden mit einem leichten neuronalen Netz berechnet, das auf den lokalen Nachbarschaften der Punkte operiert. Schließlich formulieren wir die Übersegmentierung von Punktwolken als ein Graphpartitionierungsproblem im Bezug auf die gelernten Einbettungen.Mit diesem neuen Ansatz können wir einen neuen Stand der Technik in der Übersegmentierung von Punktwolken erzielen, wobei wir eine signifikante Verbesserung sowohl an einem dichten Indoor-Datensatz (S3DIS) als auch an einem dünnen Outdoor-Datensatz (vKITTI) erreichen. Unsere beste Lösung benötigt mehr als fünfmal weniger Superpunkte, um vergleichbare Leistungen wie früher veröffentlichte Methoden auf S3DIS zu erzielen. Darüber hinaus zeigen wir, dass unser Rahmen verwendet werden kann, um superpunkt-basierte semantische Segmentierungsalgorithmen zu verbessern und damit auch für diese Aufgabe einen neuen Stand der Technik zu setzen.