Skalierbarer SoftGroup für die 3D-Instanzsegmentierung auf Punktwolken

Diese Arbeit untersucht ein Netzwerk namens SoftGroup für eine präzise und skalierbare 3D-Instanzsegmentierung. Bestehende State-of-the-Art-Methoden generieren zunächst harte semantische Vorhersagen, gefolgt von einer Gruppierung der Instanzsegmentierungsergebnisse. Leider propagieren Fehler, die aus diesen harten Entscheidungen resultieren, in die Gruppierung hinein, was zu einer schlechten Überlappung zwischen den vorhergesagten Instanzen und den Ground-Truth-Daten sowie zu einer hohen Anzahl an Falschpositiven führt. Um diese Probleme zu lösen, ermöglicht SoftGroup, dass jeder Punkt mehreren Klassen zugeordnet werden kann, um die Unsicherheit, die aus der semantischen Vorhersage resultiert, zu verringern. Zudem unterdrückt das Verfahren falsch positive Instanzen, indem es lernt, sie als Hintergrund zu klassifizieren. In Bezug auf Skalierbarkeit erfordern bestehende schnelle Methoden auf großen Szenen eine Rechenzeit von mehreren zehn Sekunden, was unzureichend ist und weit entfernt von einer Anwendung in Echtzeit liegt. Unsere Erkenntnis ist, dass der $k$-Nearest-Neighbor ($k$-NN)-Modul, der als Voraussetzung für die Gruppierung dient, eine Rechenbremse darstellt. SoftGroup wird daher erweitert, um diese Rechenbremse zu überwinden, wodurch SoftGroup++ entsteht. Das vorgeschlagene SoftGroup++ reduziert die Zeitkomplexität durch den Einsatz eines Octree-$k$-NN und verringert den Suchraum mittels klassenbewusster Pyramiden-Skalierung sowie späterer Devoxelisierung. Experimentelle Ergebnisse auf verschiedenen Innen- und Außenbereichs-Datensätzen belegen die Wirksamkeit und Allgemeingültigkeit von SoftGroup und SoftGroup++. Ihre Leistung übertrifft die des besten Baseline-Modells signifikant (6 % bis 16 % bei AP$_{50}$). Auf Datensätzen mit großflächigen Szenen erreicht SoftGroup++ im Durchschnitt eine sechsfache Geschwindigkeitssteigerung gegenüber SoftGroup. Darüber hinaus lässt sich SoftGroup erweitern, um Objektdetektion und Panoptic-Segmentierung durchzuführen, wobei gegenüber bestehenden Methoden erhebliche Verbesserungen erzielt werden. Der Quellcode und die trainierten Modelle sind unter \url{https://github.com/thangvubk/SoftGroup} verfügbar.