Kontrastive Boundary Learning für die Segmentierung von Punktwolken

Die Segmentierung von Punktwolken ist grundlegend für das Verständnis von 3D-Umgebungen. Derzeit erzielen jedoch gängige Methoden zur Segmentierung von 3D-Punktwolken typischerweise eine unzureichende Leistung an Szenengrenzen, was die Gesamtsegmentierungseffizienz beeinträchtigt. In diesem Artikel konzentrieren wir uns auf die Segmentierung von Szenengrenzen. Dazu untersuchen wir zunächst geeignete Metriken zur Bewertung der Segmentierungsgenauigkeit an Grenzflächen. Um die ungenügende Leistung an Grenzen zu verbessern, schlagen wir anschließend einen neuen kontrastiven Grenzlernt (Contrastive Boundary Learning, CBL)-Ansatz für die Segmentierung von Punktwolken vor. Konkret verbessert der vorgeschlagene CBL-Ansatz die Merkmalsunterscheidbarkeit zwischen Punkten auf unterschiedlichen Seiten einer Grenze, indem er deren Repräsentationen mit Hilfe von Szenenkontexten auf mehreren Skalen miteinander kontrastiert. Durch die Anwendung von CBL auf drei verschiedene Baseline-Methoden zeigen wir experimentell, dass CBL die Leistung aller Baselines konsistent verbessert und ihnen hilft, hervorragende Ergebnisse sowohl an Grenzen als auch insgesamt – beispielsweise in Bezug auf mIoU – zu erzielen. Die experimentellen Ergebnisse belegen die Wirksamkeit unseres Ansatzes und die Bedeutung von Grenzflächen für die Segmentierung von 3D-Punktwolken. Der Quellcode und die Modelle werden öffentlich unter https://github.com/LiyaoTang/contrastBoundary bereitgestellt.