深度学习点云语义分割：CVPR2019论文阅读_point cloud oversegmentation with graph-structured

深度学习点云语义分割：CVPR2019论文阅读

Point Cloud Oversegmentation with
Graph-Structured Deep Metric Learning

摘要

本文提出了一个新的超级学习框架，用于将三维点云过度分割为超点。本文将此问题转化为学习三维点的局部几何和辐射测量的深度嵌入，从而使物体边界呈现高对比度。嵌入计算使用轻量级神经网络在点的局部邻域上操作。最后，本文将点云过分集描述为一个与学习嵌入相关的图划分问题。这种新方法允许本文在密集的室内数据集（S3DIS）和稀疏的室外数据集（vKITTI）上设置一个新的尖端点云过分集（显著的边缘）。本文的最佳解决方案需要比以前在S3DIS上发布的方法少五倍多的超级点才能达到类似的性能。此外，本文还展示了本文的框架可以用来改进基于超点的语义分割算法，同时也为这项工作创造了一个新的技术水平。

1. Introduction

此外，本文还定义了本文的点云过分割的最终目标，即通过提供语义上纯粹的重叠来辅助语义分割方法。本文证明，本文的方法可以与文献[27]中的超点图方法相结合，显著地改进分割步骤，从而实现语义分割。

本文的贡献如下：

•本文提出了第一个三维点云过度分割的超级框架；

•本文引入了图形结构的对比损失，它可以与本文的交叉划分加权策略相结合，在对象边界生成具有高对比度的点嵌入；

•本文引入局部点嵌入器，这是一种轻量级架构，灵感来自[36]，以紧凑的方式嵌入三维点的局部几何和辐射测量；

•本文显著改善了两个已知且非常不同的数据集的点云过度分段的最新技术；

•在结合超点图语义分割方法的基础上，本文的方