PointHR : Exploration d'architectures à haute résolution pour la segmentation de nuages de points 3D

Des progrès significatifs ont été réalisés récemment dans la segmentation de nuages de points en exploitant un cadre encodeur-décodeur, qui encode initialement les nuages de points en représentations à faible résolution, puis décode des prédictions à haute résolution. Inspirés par le succès des architectures à haute résolution dans les tâches de prédiction dense d’images, qui maintiennent toujours une représentation à haute résolution tout au long du processus d’apprentissage, nous considérons qu’une telle approche est tout aussi essentielle pour l’analyse dense des nuages de points 3D. Par conséquent, dans cet article, nous explorons les architectures à haute résolution pour la segmentation de nuages de points 3D. Plus précisément, nous généralisons ces architectures à l’aide d’un pipeline unifié nommé PointHR, qui comprend un opérateur de séquence basé sur le k plus proches voisins (knn) pour l’extraction de caractéristiques et un opérateur de rééchantillonnage différentiel permettant une communication efficace entre différentes résolutions. En outre, nous proposons d’éviter les nombreuses opérations en temps réel nécessitées par les architectures à haute résolution en pré-calculant à l’avance les indices utilisés par les opérateurs de séquence et de rééchantillonnage. Grâce à cette approche, nous obtenons des architectures à haute résolution hautement compétitives, tout en tirant parti des avantages des blocs de nuages de points bien conçus, sans effort supplémentaire. Pour évaluer ces architectures dans le cadre de l’analyse dense des nuages de points, nous menons des expériences approfondies sur les jeux de données S3DIS et ScanNetV2, où le modèle proposé PointHR surpasser les méthodes de pointe récentes, même sans recourir à des ajouts complexes. Le code source est disponible à l’adresse \url{https://github.com/haibo-qiu/PointHR}.