SPGroup3D: Superpoint Grouping Network für die Innenraum-3D-Objekterkennung

Aktuelle Methoden zur 3D-Objekterkennung für Innenräume folgen hauptsächlich der Strategie des Voting und Gruppierens zur Generierung von Vorschlägen. Allerdings nutzen die meisten Ansätze instanz-agnostische Gruppierungsansätze, wie beispielsweise die Kugelabfrage (ball query), was zu inkonsistenter semantischer Information und ungenauer Regression der Vorschläge führt. Um dieses Problem zu adressieren, schlagen wir ein neuartiges Superpoint-Gruppierungsnetzwerk für die anchor-free, einstufige 3D-Objekterkennung in Innenräumen vor. Konkret partitionieren wir zunächst rohe Punktewolken auf unsupervisierter Basis in Superpoints – Bereiche mit semantischer Konsistenz und räumlicher Ähnlichkeit. Anschließend entwerfen wir ein geometriebewusstes Voting-Modul, das sich an die Zentrenhaftigkeit im anchor-free-Detektionsansatz anpasst, indem es die räumliche Beziehung zwischen Superpoints und Objektzentren einschränkt. Danach präsentieren wir ein auf Superpoints basierendes Gruppierungsmodul, um konsistente Repräsentationen innerhalb der Vorschläge zu erforschen. Dieses Modul umfasst eine Superpoint-Attention-Schicht zur Lernung der Merkmalsinteraktion zwischen benachbarten Superpoints sowie eine Superpoint-Voxel-Fusionschicht zur Übertragung von Superpoint-Informationen auf die Voxel-Ebene. Schließlich nutzen wir eine effektive mehrfache Zuordnung, um während des Trainings die dynamischen Empfindlichkeitsfelder der Vorschläge basierend auf Superpoints optimal auszunutzen. Experimentelle Ergebnisse zeigen, dass unsere Methode auf den Datensätzen ScanNet V2, SUN RGB-D und S3DIS die derzeit beste Leistung in der einstufigen 3D-Objekterkennung für Innenräume erzielt. Der Quellcode ist unter https://github.com/zyrant/SPGroup3D verfügbar.