【2019CVPR学习】翻译( 五 ) _卷积

4.2 数据集上的室外分割
数据集是目前可用的最大的激光雷达数据集，具有来自各种城市和农村场景的超过40亿个点。每个点都有RGB值和强度值，并标记为8个类别之一：人造地形、自然地形、高植被、低植被、建筑物、硬景观、扫描工艺品和汽车。与S3DIS数据集不同，数据集包含具有相对较大对象的室外场景。为了适应对象的大小，数据集的采样块被设置为4m×4m，同时保持相同的最大数量的4096个点。我们在表2中提供了对基准的-8挑战的评估结果。
此外，我们列出了与其他最新方法相比，我们的的总体准确性和平均IoU 。
总的来说，我们的表现与许多类的其他竞争方法相当或更好。值得注意的是，在数据集中，由于点之间的相互遮挡，大多数对象，如汽车、硬景观、建筑物和低/高植被，都是不完整的。然而，由于GAC强大的结构化特征学习能力，我们的仍然可以学习捕获它们的区分特征进行分割。同时，我们也注意到，在本实验中，人工地形和自然地形对于来说是相对难以分离的，因为在一个容易混淆的区域（如图4所示）中有大量的点没有出现在训练集中。
4.3消融研究和分析
为了更好地了解在所提出的框架中所做的各种设计选择的影响，我们进一步进行了几项消融研究以证明GAC的有效性，探索GAC中空间位置和特征属性的影响，并将GAC与CRF-RNN进行了比较[53]，并研究初始特征的影响。
GAC的有效性。为了进一步了解所提出的GAC的有效性，我们将其与[33]的max算子（包括MLP）进行了比较，后者通过直接学习点集取得了很好的效果。具体来说，我们只将GAC中的注意机制替换为max操作符，而保持中的其余部分不变。S3DIS数据集的测试结果见表3 。结果表明，GAC的平均IoU比max算子高出4.43%，说明GAC在区分特征学习方面比max算子具有更多的优势。实际上，[33]中的max算子充当了一个“最大注意”机制，它倾向于刻画特征空间中点集的轮廓，同时破坏对象点之间的结构连接。这使得max算子在对象分类方面表现良好，但在需要精细划分对象边界的地方分割能力较差。
空间位置和特征属性。在GAC中，相邻点的空间位置和特征属性作为空间和特征的引导，动态地产生它们的注意权重。为了探索它们各自的角色，我们设计了另外两种仅使用空间位置和特征属性的GAC变体。为了比较方便，他们在S3DIS数据集上的测试结果如表3所示。实验结果表明，空间位置和特征属性在GAC中对语义点云分割具有重要作用。空间位置跨越无序的邻域点到有意义的对象曲面，而特征属性通过给不同的邻域赋予适当的权重，进一步引导GAC适应对象的结构。在没有空间位置约束的情况下，点只与具有相似初始特征的邻域进行信息交换，导致最终特征是零碎的，难以形成有意义的对象。没有特征属性的引导，卷积核很难区分对象的边界，当前点很容易被相邻对象污染（如图5所示）。
CRF-RNN 。如第3.2节所述，我们的实际上与CRF模型具有相同的特性，这鼓励相似点之间的特征和标签一致性。为了实验验证这个声明，我们移除中的最后一个GAC层，并使用不同的迭代将其替换为CRF-RNN[53] 。具体地说，我们使用来自[21]的高斯核来计算CRF的成对势。为了比较方便，表3还提供了它们在S3DIS数据集上的测试结果。我们可以看到，在一次迭代中，CRF-RNN已经基本收敛，并且更多的迭代不会导致显著的精度提高。由于我们的在网络的每一层都具有相同的CRF特征（第3.2节），CRF不再需要重现。
初始特征的影响。在上述S3DIS数据集上的实验中，每个点的初始特征向量由高度、RGB和地理特征组成。在这部分我们提供了额外的消融研究，以进一步了解不同初始输入特征的的性能。我们设计了三个对比实验，分别去除RGB信息、地理特征和两者。S3DIS数据集的测试结果见表3 。相比之下，mIoU分别下降了2.69%、2.48%和3.89% 。然而，与测试阶段相对较大的精度差异相比，我们还注意到，没有地理特征的训练精度实际上与我们的标准相差不大（如图6所示）。初始地理特征作为底层通用特征，根据先验知识进行设计，有利于网络的泛化。