點云PCL免費知識星球，點云論文速讀。

標題：Learning to Optimally Segment Point Clouds

作者：Peiyun Hu, David Held

星球ID：particle

歡迎各位加入免費知識星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)朋友圈分享快樂。

●論文摘要

我們提出了一種將圖論搜索與數(shù)據(jù)驅(qū)動的學(xué)習(xí)相結(jié)合的方法：在一組候選分割中搜索綜合目標性（objectness）評分較高的候選分割。我們證明了，如果根據(jù)分割中最低的目標性對分割進行評分，那么就有一種有效的算法可以在成倍數(shù)量的候選分割中找到最優(yōu)的最壞情況分割。此外，我們還針對平均情況提出了一種有效的算法。為了進行評估，我們將KITTI 3D檢測重新用作分割基準，并通過經(jīng)驗證明了我們的算法在分割點云上的性能明顯優(yōu)于過去的自下而上的分割方法和自上而下的基于對象的算法。

●主要貢獻

? 利用幾何約束減少候選分割的數(shù)量，并構(gòu)建樹結(jié)構(gòu)

? 利用樹結(jié)構(gòu)進行最優(yōu)分割搜索，提出可應(yīng)用動態(tài)規(guī)劃的高效搜索算法

文章使用KITTI作為實驗數(shù)據(jù)集，點云分割和點云實例分割的結(jié)果如下圖 TABLE I 和 TABLE II 所示：本文提出的方法與 SECOND++ 相比在 car 等常見分類中表現(xiàn)更差，但是在 misc 等少見分類中表現(xiàn)更佳。

●論文圖集

總結(jié)

以上是生活随笔為你收集整理的【点云论文速读】最佳点云分割分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。