3D-MPA: 3차원 의미 인스턴스 분할을 위한 다중 제안 집합

우리는 3D-MPA라는 3차원 포인트 클라우드에서 인스턴스 분할을 위한 방법을 제시합니다. 입력 포인트 클라우드가 주어지면, 각 포인트가 자신의 객체 중심을 투표하도록 하는 객체 중심 접근 방식을 제안합니다. 예측된 객체 중심에서 객체 제안들을 샘플링한 후, 동일한 객체 중심에 투표한 포인트들의 그룹화된 특징으로부터 제안 특징을 학습합니다. 그래프 컨볼루셔널 네트워크는 제안 간의 관계를 도입하여, 하위 수준의 포인트 특징뿐만 아니라 상위 수준의 특징 학습을 제공합니다. 각 제안은 의미 라벨, 전경-배경 마스크를 정의하는 연관된 포인트 집합, 객체성 점수 및 집합 특징으로 구성됩니다. 이전 연구들은 일반적으로 최종 객체 검출 또는 의미 인스턴스를 얻기 위해 제안들에 대해 비최대 억제(NMS)를 수행했습니다. 그러나 NMS는 잠재적으로 올바른 예측들을 버릴 수 있습니다. 대신, 우리의 접근 방식은 모든 제안들을 유지하고 학습된 집합 특징을 기반으로 그룹화합니다. 우리는 ScanNetV2 벤치마크와 S3DIS 데이터셋에서 3D 객체 검출과 의미 인스턴스 분할 작업에서 NMS보다 우수하며, 이전 최고 성능 방법들을 능가한다는 것을 보여주었습니다.