초록
우리는 3D 포인트 클라우드를 슈퍼포인트로 과분할하기 위한 새로운 감독 학습 프레임워크를 제안합니다. 이 문제는 객체의 경계가 높은 대조를 나타내도록 3D 포인트의 국소 기하학적 및 광도학적 특성을 깊게 임베딩하는 것을 학습하는 것으로 정식화됩니다. 이러한 임베딩은 포인트의 국소 이웃에서 작동하는 경량 신경망을 사용하여 계산됩니다. 마지막으로, 우리는 학습된 임베딩에 대한 그래프 분할 문제로 포인트 클라우드 과분할을 공식화합니다.이 새로운 접근 방식은 밀집된 실내 데이터셋(S3DIS)과 희소한 실외 데이터셋(vKITTI)에서 유의미한 마진으로 기존 최고 수준을 초월하여 새로운 최고 수준을 설정할 수 있습니다. 우리의 최상의 솔루션은 S3DIS에서 유사한 성능을 달성하기 위해 이전에 발표된 방법보다 다섯 배 이상 적은 슈퍼포인트가 필요합니다. 또한, 우리의 프레임워크가 슈퍼포인트 기반 의미 분할 알고리즘을 개선하여 이 작업에서도 새로운 최고 수준을 설정할 수 있음을 보여줍니다.