【文献翻译】Instance Aware Embedding

Network Framework

Instance-Aware Module

我们提出了一个实例感知模块(IAM)，主要用于选择捕获空间实例上下文的代表性点。对于位置为 $x_i,y_i,z_i$的点 $p_i$，通过上下文检测分支预测点级的偏移量,来表示实例的空间扩展，表示为 {Δxki，Δyki，Δzki}k=1K\lbrace \Delta x_k^i，\Delta y_k^i，\Delta z_k^i \rbrace ^K_{k=1}{Δxki​，Δyki​，Δzki​}k=1K​。$p_i$ 预测的实例的代表区域为$R_i$，可以简单表示为:
Ri={(xi+Δxki，yi+Δyki，zi+Δzki)}k=1KR_i= \lbrace (x_i+\Delta x_k^i，y_i+\Delta y_k^i，z_i+\Delta z_k^i) \rbrace ^K_{k=1}Ri​={(xi​+Δxki​，yi​+Δyki​，zi​+Δzki​)}k=1K​
其中 $K$ 是代表性点的个数，$i$ 代表第$i$个点。每个点预测的轴向包围盒可以用最小-最大函数 $F$ 表示为$B_i$:$B_i=F(R_i)$.
学习这些代表性区域是由空间边界框和实例分组标签共同驱动的，这样 $R_i$ 就可以紧密地围绕实例。为此，提供了三个损失: $L_{bnd}$、$L_{len}$ 和 $L_{ins}$ (后两个将在下一节讨论)。$L_{bnd}$是为了最大化预测和地面真实之间的边界框的重叠。本文使用3D IoU loss:
$$L_{bnd}=\frac{1}{N}\sum _{I=1}^{N}1-IoU(G{T}_i,B_i)$$
式中，$N$ 为点总数，$B_i$ 为第$i$个点的预测包围盒，$G{T}_i$为第$i$个点的三维轴向包围盒地面真值。
在效率方面，我们选择 $K=18$，实例相关区域被定位并成功覆盖空间扩展。

Instance Branch

传统上，实例解码器的输入是下采样的瓶颈点 (bottleneck points) $P_b\subseteq P$，对应的特征表示为 $F_b$。这些特征通过几个上采样层逐渐传播到完整的点集。为了在传播过程中对实例上下文进行编码，我们利用 $R_b$ 的有意义的语义区域对瓶颈点进行编码。

Encode Instance-Aware Context

$F_b$ 的表示是通过聚合来自覆盖实例空间范围的 $R_b$ 的信息来增强的。由于这些检测点不一定位于输入点上，因此利用K-NN对 $R_b$ 特征进行插值。然后将插入的特征添加到原始 $F_b$ 中，生成包含局部表示和实例上下文的特征。与每个输入点都需要搜索相邻点的$ASI{S}^{[30]}$相比，我们的方法效率更高。由于在瓶颈层采用了K-NN, $P_b$ 中的搜索空间比P中的搜索空间小很多，计算开销非常有限。在解码过程中，组合特征逐渐上采样，通过所有点传播实例感知上下文。

Encode Geometric Information

几何信息是识别两个近距离物体的关键。为了学习具有鉴别性的嵌入特征，我们直接将坐标的归一化质心连接到嵌入空间中。考虑点 $p_i$ 预测的质心 $C(B_i)$，其中 $C(\cdot )$ 为计算给定边界盒几何质心的函数，最终的每点嵌入特征可表示为${\hat{E}}_i=Concat(E_i,C(B_i))$，其中 $E_i$ 为实例分支生成的嵌入特征。此外，为了使具有相同实例标签的点的几何信息保持一致，我们将预测的几何质心从同一实例拉向聚类中心:
$$L_{cen}=\frac{1}{M}\sum _{m=1}^M\frac{1}{N_m}\sum _{i=1}^{N_m}[\Vert C(B_i)-{\mu }_m\Vert -{\sigma }_v{]}_{+}^2$$
其中，$M$ 是实例的个数，$N_m$ 是第 $m$ 个实例的点数，${\mu }_m$ 是指第 $m$ 个实例的平均预测几何质心。$[x{]}_{+}$ 的定义为 $[x{]}_{+}=max(0,x)$，${\sigma }_v$ 是一个待定的（？loose）裕量。$L_{cen}$ 的设计目的是迫使额外的几何信息有更少的变化，并为分离相邻的对象提供信息。
信息性的 (informative) 逐点嵌入 ${\hat{E}}_{n=1}^N$ 用于学习一个距离度量，该度量可以将实例内嵌入拉向集群中心，并将实例中心推离彼此。损失函数的表达式为:
$$L_{ins}=\underset{inter-instance}{\underbrace{\frac{1}{M(M-1)}\sum _{a=1}^M\sum _{b=1,b\ne a}^M[2{\sigma }_d-\Vert {\mu }_a-{\mu }_b\Vert {]}_{+}^2}}+\underset{intra-instance}{\underbrace{\frac{1}{M}\sum _{i=1}^M\frac{1}{N_m}\sum _{m=1}^{N_m}[\Vert {\mu }_m-{\hat{E}}_m\Vert -{\sigma }_v{]}_{+}^2}}$$
其中，$M$ 是实例的个数，$N_m$ 是第 $m$ 个实例的点数，${\sigma }_d$ 和 ${\sigma }_v$ 是放宽范围的裕量。在训练过程中，第一项将实例聚类推离彼此，第二项将嵌入拉向聚类中心。在推理过程中，采用 Mean-Shift 算法对嵌入空间中的不同实例进行聚类。
总而言之，我们的方法是端到端可训练的，并且受到四种损失的监督。在我们的所有实验中，四种损失的损失权重都设置为1。
$$L=L_{fl}+L_{bnd}+L_{cen}+L_{ins}$$

S3DIS实验设置

房间分割：$1m\times 1m,stride=0.5$
区块采样：$numpoints=4096$
点特征：参考$SGP{N}^{[1]}$，每个点有9维特征：$X,Y,Z,R,G,B,N_X,N_Y,N_Z$
骨干网络：PointNet++
优化器：$Adam,momentum=0.9$
损失函数的超参数：参考$ASI{S}^{[2]},{\sigma }_v=0.5,{\sigma }_d=1.5$
其他参数：$batchsize=16,epochs=100,learningrate=0.001\&dividedby2inevery300kiterations$
分割结果整合：$BlockMergin{g}^{[1]}$