포인트 클라우드에서 인스턴스와 의미를 연관적으로 분할하기

3D 포인트 클라우드는 실제 장면을 정확하고 직관적으로 설명합니다. 현재까지 이러한 정보가 풍부한 3D 장면에서 다양한 요소를 분할하는 방법에 대해 거의 논의되지 않았습니다. 본 논문에서는 먼저 포인트 클라우드에서 인스턴스와 의미론적 분할을 동시에 수행하는 간단하면서도 유연한 프레임워크를 소개합니다. 그 다음으로, 두 가지 접근 방식을 제안하여 두 작업이 서로에게 이점을 얻도록 하여 상호 윈윈 상황을 만들어냅니다. 구체적으로, 의미론적 인식 학습을 통해 인스턴스 분할이 의미론적 분할로부터 혜택을 받도록 합니다. 동시에, 동일한 인스턴스에 속하는 포인트들의 의미론적 특성이 결합되어 각 포인트의 더 정확한 의미론적 예측을 가능하게 합니다. 우리의 방법은 3D 인스턴스 분할에서 최신 기술보다 크게 우수하며, 3D 의미론적 분할에서도显注的改进(significant improvement)를 보입니다. 코드는 다음과 같이 제공되었습니다: https://github.com/WXinlong/ASIS.注：在最后一句中，“显注的改进”并非韩语，这里应该使用“유의미한 개선”来替代。以下是修正后的版本：3D 포인트 클라우드는 실제 장면을 정확하고 직관적으로 설명합니다. 현재까지 이러한 정보가 풍부한 3D 장면에서 다양한 요소를 분할하는 방법에 대해 거의 논의되지 않았습니다. 본 논문에서는 먼저 포인트 클라우드에서 인스턴스와 의미론적 분할을 동시에 수행하는 간단하면서도 유연한 프레임워크를 소개합니다. 그 다음으로, 두 가지 접근 방식을 제안하여 두 작업이 서로에게 이점을 얻도록 하여 상호 윈윈 상황을 만들어냅니다. 구체적으로, 의미론적 인식 학습을 통해 인스턴스 분할이 의미론적 분할로부터 혜택을 받도록 합니다. 동시에, 동일한 인스턴스에 속하는 포인트들의 의미론적 특성이 결합되어 각 포인트의 더 정확한 의미론적 예측을 가능하게 합니다. 우리의 방법은 3D 인스턴스 분할에서 최신 기술보다 크게 우수하며, 3D 의미론적 분할에서도 유의미한 개선을 보입니다. 코드는 다음과 같이 제공되었습니다: https://github.com/WXinlong/ASIS.