Lernen der Gaussian-Instanzsegmentierung in Punktwolken

Diese Arbeit stellt eine neuartige Methode für die Instanzsegmentierung von 3D-Punktwolken vor. Der vorgeschlagene Ansatz heißt Gaussian Instance Center Network (GICN), der die Verteilung von Instanzzentren, die sich über die gesamte Szene verteilen, durch Gaußsche Zentrumswärmekarten annähern kann. Auf Basis der vorhergesagten Wärmekarten lassen sich effizient nur wenige Zentrumskandidaten auswählen, die für nachfolgende Vorhersagen genutzt werden, darunter i) die Vorhersage der Instanzgröße jedes Zentrums zur Bestimmung eines Bereichs für die Merkmalsextraktion, ii) die Generierung von Bounding Boxes für die Zentren sowie iii) die Erzeugung der endgültigen Instanzmasken. GICN ist eine einstufige, anchorfreie und end-to-end-Architektur, die leicht zu trainieren und effizient bei der Inferenz ist. Durch die zentrumsgesteuerte Mechanik mit adaptiver Auswahl der Instanzgröße erreicht unser Ansatz state-of-the-art-Leistung bei der 3D-Instanzsegmentierung auf den Datensätzen ScanNet und S3DIS.