SEGCloud: 3D 포인트 클라우드의 의미 분할

3D 의미장면 라벨링은 실제 세계에서 작동하는 에이전트에게 필수적입니다. 특히, 센서로부터 얻은 원시 3D 점 집합을 라벨링함으로써 미세한 의미를 제공할 수 있습니다. 최근 연구들은 신경망(NNs)의 능력을 활용하지만, 거친 복셀 예측에 제한되며 전역 일관성을 명시적으로 강제하지 않습니다. 본 논문에서는 SEGCloud를 소개합니다. 이는 3D 점 단위 분할을 얻기 위한 종단간 프레임워크로, 신경망(NNs), 삼차 선형 보간(TI), 완전 연결 조건부 확률 모델(FC-CRF)의 장점을 결합합니다. 3D 완전 합성곱 신경망에서 얻은 거친 복셀 예측은 삼차 선형 보간을 통해 원시 3D 점으로 전달됩니다. 그런 다음 FC-CRF가 전역 일관성을 강제하고 점들에 대해 미세한 의미를 제공합니다. 우리는 이를 차별화 가능한 순환 신경망(RNN)으로 구현하여 공동 최적화를 허용합니다. 본 프레임워크는 두 개의 실내 및 두 개의 실외 3D 데이터셋(NYU V2, S3DIS, KITTI, Semantic3D.net)에서 평가되었으며, 모든 데이터셋에서 최신 기술과 비교할 수 있거나 그보다 우수한 성능을 보였습니다.