[paper review] RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

Input : 3D lidar point cloud

output : point-wise classification 

 

summary : 

 2020 CVPR에 등재된 최신 point-wise segmentation 논문

 본래 segmentation 은 point 단위로 classification하기 때문에

 point의 양이 많은 경우  real-time 수행이 어려움

본 논문에서는 random point selection 과

Perceptive field를 점차적으로 넓혀가는 방법을 통해

매우 빠른 속도와 높은 성능으로   point 단위 classification 수행

 

: 앞선  LiLaNet과는 달리 camera domain이 필요하지 않으며

voxelization, grid 등의 기법을 활용하지 않기 때문에

정보의 손실이 더 적을 것으로 보임 (속도도 매우 빠름)

 

 

• Classification (분류): 인풋에 대해서 하나의 레이블을 예측하는 작업.
  AlexNet, ResNet, Xception 등의 모델
• Localization/Detection (발견): 물체의 레이블을 예측하면서 그 물체가 어디에 있는지 정보를 제공. 물체가 있는 곳에 네모를 그리는 등
  YOLO, R-CNN 등의 모델
• Segmentation (분할): 모든 픽셀의 레이블을 예측
  FCN, SegNet, DeepLab 등의 모델

https://medium.com/zylapp/review-of-deep-learning-algorithms-for-object-detection-c1f3d437b852