【点云论文速读】最佳点云分割分析

六月份--八月份（每周五一次）

B站点云PCL直播间

直播地址：https://live.bilibili.com/21847497

暂定分享主题有：

传统算法的点云配准与激光SLAM

地面点云配准与机载点云航带平差

机器人 力反馈遥操作与视觉系统研究

大规模点云语义分割

基于深度学习的点云分割

点云的稀疏卷积与应用

……

可提前关注B站或关注公众号开播提醒，欢迎合作与分享交流。

点云PCL免费知识星球，点云论文速读。

标题：Learning to Optimally Segment Point Clouds

作者：Peiyun Hu, David Held

星球ID：particle

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈分享快乐。

●论文摘要

我们提出了一种将图论搜索与数据驱动的学习相结合的方法：在一组候选分割中搜索综合目标性（objectness）评分较高的候选分割。我们证明了，如果根据分割中最低的目标性对分割进行评分，那么就有一种有效的算法可以在成倍数量的候选分割中找到最优的最坏情况分割。此外，我们还针对平均情况提出了一种有效的算法。为了进行评估，我们将KITTI 3D检测重新用作分割基准，并通过经验证明了我们的算法在分割点云上的性能明显优于过去的自下而上的分割方法和自上而下的基于对象的算法。

●主要贡献

· 利用几何约束减少候选分割的数量，并构建树结构

· 利用树结构进行最优分割搜索，提出可应用动态规划的高效搜索算法

文章使用KITTI作为实验数据集，点云分割和点云实例分割的结果如下图 TABLE I 和 TABLE II 所示：本文提出的方法与 SECOND++ 相比在 car 等常见分类中表现更差，但是在 misc 等少见分类中表现更佳。

●论文图集

●英文摘要

We focus on the problem of class-agnostic instancesegmentation of LiDAR point clouds. We propose an approachthat combines graph-theoretic search with data-driven learning:it searches over a set of candidate segmentations and returnsone where individual segments score well according to a datadriven point-based model of “objectness”. We prove that ifwe score a segmentation by the worst objectness among itsindividual segments, there is an efficient algorithm that findsthe optimal worst-case segmentation among an exponentiallylarge number of candidate segmentations. We also present anefficient algorithm for the average-case. For evaluation, werepurpose KITTI 3D detection as a segmentation benchmarkand empirically demonstrate that our algorithms significantlyoutperform past bottom-up segmentation approaches and topdown object-based algorithms on segmenting point clouds.