Apprentissage de la pureté régionale pour la segmentation d'instances sur des nuages de points 3D

La segmentation d’instances 3D est une tâche fondamentale pour la compréhension des scènes, avec de nombreuses applications en robotique et dans les environnements AR/VR. Récemment, plusieurs méthodes sans proposition ont été proposées pour cette tâche, obtenant des résultats remarquables et une efficacité élevée. Toutefois, ces approches s’appuient fortement sur la régression du centroïde des instances et ne détectent pas explicitement les frontières des objets, ce qui peut entraîner une mauvaise fusion de objets proches dans le même cluster dans certaines situations. Dans ce travail, nous introduisons un nouveau concept appelé « pureté régionale », défini comme le pourcentage de points voisins appartenant à la même instance dans un voisinage à rayon fixe en 3D. Intuitivement, cette mesure indique la probabilité qu’un point se situe dans une zone frontalière. Pour évaluer la faisabilité de la prédiction de la pureté régionale, nous proposons une stratégie permettant de construire un jeu de données simplifié (« toy dataset ») à partir des données d’entraînement existantes. De plus, l’utilisation de ces données synthétiques constitue une méthode « gratuite » d’augmentation de données pour l’apprentissage de la pureté régionale, évitant ainsi les contraintes liées à la collecte de données réelles supplémentaires. Nous proposons le Réseau Guidé par la Pureté Régionale (RPGN), qui comporte des branches distinctes pour la prédiction de la classe sémantique, de la pureté régionale, du décalage et de la taille. Les informations de pureté régionale prédites sont utilisées pour guider l’algorithme de regroupement. Les résultats expérimentaux démontrent que l’utilisation de la pureté régionale permet simultanément de prévenir les problèmes de sous-segmentation et de sur-segmentation lors du regroupement.