一、 Introduction
近年来，三维点云处理在计算机视觉和机器学习领域引起了广泛的关注。然而，现有的点云分割方法通常需要大量标注好的训练数据，这在实践中限制了它们的应用范围。针对这一问题，我们在最新的CVPR论文中提出了一种全新的无监督三维点云语义分割方法 GrowSP。我们的方法利用superpoints以及渐进式扩张superpoints的方式实现了在3D场景中自动发掘语义信息。实验结果表明，我们的方法在多个三维点云数据集上取得了令人印象深刻的性能，且无需任何人工监督信号或者预训练模型等。我们相信，这项研究对于解决三维点云处理中的监督学习问题具有里程碑意义，并且将在实际应用中产生广泛的影响。我们的贡献主要包括以下三点：
- 针对真实世界点云，首次提出了一个完全无监督的3D语义分割框架，无需人工标注或任何预训练；
- 引入了一种简单的superpoints扩张策略，引导网络逐渐学习高级语义信息；
- 在多个真实3D场景数据集上展示出了有前景的语义分割效果，显著地优于将2D适配到3D的方法和3D自监督预训练方法。
二、Method
2.1 Overview
本文将无监督3D语义分割作为一个3D特征学习和聚类的问题来处理。如图2所示，首先将点云输入backbone提取逐点feature；然后依靠几何构建initial superpoints，获取superpoint features；superpoints会进一步合并成为语义基元，根据语义基元产生pseudo labels用于训练backbone。在此过程中，随着训练的进行，backbone输出的特征具备的语义信息会越来越丰富，依照输出features的相似性对superpoints进行合并，实现superpoints growing。
GrowSP框架包括以下三个核心部分：
- Superpoints Constructor：构建初始的superpoints，将几何，空间位置或RGB (if available) 相似的点组合成superpoints；
- Superpoints Growing：随着神经网络的不断训练，其输出特征逐渐具有high-level信息，依靠特征相似度，对单个3D场景进行superpoints扩张，逐步涵盖语义相近的区域；
- Semantic Primitive Clustering：数据集种包含的superpoints会进一步合并为一些简单的语义元素或基。
2.2 Superpoints Constructor
该模块的目的是构建initial superpoints, 提供一些语义信息的先验，主要用于在训练初期引导网络的学习。对于数据集中每个3D场景，该模块会将场景点云划分为多个空间上连通的区域，这些区域内的几何形状和RGB是一致的。本文结合了两种手工设计的superpoints划分方法：VCCS和Region Growing，划分得到的superpoints如图3所示。
2.3 Superpoints Growing
该模块是GrowSP框架的主要部分。初始构建的superpoints基于几何，位置和RGB等信息约束神经网络在后续步骤对这些low-level一致的点输出一致的特征，这可以促使网络学习语义，这一约束在训练的初期非常有效。
进一步地，为了使其学习到更加high-level的语义，我们依照特征相似度，对每一个3D场景进行superpoints growing。Growing的过程是在单个场景中进行的，将每个initial superpoints包含的per-point features平均，作为superpoint features。对单个场景内的superpoints依照features相似度聚类，实现superpoints的扩张，如图4所示。
2.4 Semantic Primitive Clustering
以上两个步骤只是构建和增强superpoints，并未产生语义类别。在这一步，我们对整个数据集的superpoint features (在网络训练初期是initial superpoints，后期是growing后的superpoints) 进行聚类。实验发现，当聚类数多于最终类别数可以避免错误地将不同类的superpoints聚集在一起，并且会带来performance提升。于是我们将superpoints聚合为多个基础的语义单元，同时产生pseudo labels用于训练backbone。训练结束后再将语义基元聚合成类别，聚合方法是简单地K-means。
由于本文以完全无监督的方式进行语义分割，所产生的类别标签只能用于区分不同的类，而和ground truth的标签序号不一致，所以在测试时会使用Hungarian matching修正标签序号。
三、Experiments
为了验证算法可行性，本文在两个常用的室内数据集S3DIS，ScanNet和一个室外数据集SemanticKITTI上评估了算法性能。
3.1 Evaluation on S3DIS
本文首先在S3DIS上与baselines进行了比较，选择了适配2D无监督语义分割算法PICIE[2]和IIC[5]到3D，以及对原始点云信息(xyzrgb) 进行K-means聚类三种作为baselines。从表1&2可以看出，本文方法都要优于上述baselines，并且在Area5上取得了非常接近全监督训练的PointNet的效果。
图5是在S3DIS数据集上可视化的对比，并且图6&7展示了Training和inference的一组demo video。
3.2 Evaluation on ScanNet
其次，本文也评估了在ScanNet数据集上的表现。如表3&4所示，ScanNet上也大幅超越baselines。图8展示了ScanNet上的可视化效果，同样图9&10是ScanNet上一组demo。
3.3 Evaluation on SemanticKITTI
接下来，我们评估GrowSP在室外数据集SemanticKITTI上的表现，由于LiDAR数据的疏密不均问题，构建superpoints会比室内困难，最终我们还是取得了接近全监督PointNet的结果。
图11&12展示了SemanticKITTI数据集的Training和inference的一组demo video。
四、 Conclusion
最后总结一下，我们提出了首个3D场景上的无监督语义分割框架。主要利用superpoints的逐步扩张来学习高级语义，以及语义基元聚合来避免训练初期不同类别的错误聚合，训练后可以直接用于分割点云，在室内室外多个数据集上都展示出了很有前景的效果，同时也留有大量提升空间和可拓展性。
Reference
[1] Mathilde Caron, Hugo Touvron, Ishan Misra, Herve Jegou, Julien Mairal, Piotr Bojanowski, and Armand Joulin. Emerging properties in self-supervised vision transformers. CVPR, 2021
[2] Jang Hyun Cho, Utkarsh Mall, Kavita Bala, and Bharath Hariharan. PiCIE: Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering. CVPR, 2021.
[3] Saining Xie, Jiatao Gu, Demi Guo, Charles R Qi, Leonidas Guibas, and Or Litany. Pointcontrast: Unsupervised pretraining for 3d point cloud understanding. ECCV, 2020.
[4] Ji Hou, Benjamin Graham, Matthias Nießner, and Saining Xie. Exploring data-efficient 3d scene understanding with contrastive scene contexts. CVPR, 2021.
[5] Xu Ji, Andrea Vedaldi, and Joao Henriques. Invariant information clustering for unsupervised image classification and segmentation. ICCV, 2019.
作者：杨波
本文来源：公众号【CVer】
快抢沙发！
