PartNet: A Recursive Part Decomposition Network for Fine-grained and Hierarchical Shape Segmentation

摘要
3D分割可被视为多类标签问题。
现有模型针对固定标签集进行训练，极大地限制了它们的灵活性和适应性。本文中，我们采用自上而下的递归分解，并基于递归神经网络开发了第一个用于3D形状的分层分割的深度学习模型。
一 介绍
数据驱动方法比传统几何方法具有明显的优势。（数据驱动不知道什么意思）
如今研究人员一直在寻求利用深度神经网络的强大特征学习能力来取代以前手工制作的特征。
现有模型存在两个问题。
1 模型针对固定的标签集进行训练，限制了它们的灵活性和适应性。例如，训练时，椅子分成三个语义部分的模型不能用于正确地分割具有四个部分的椅子。
2 不能利用形状分解的层次性。
我们方案的优势
1 通过将多类标记问题划分为二元标记问题，减少了形状分割的困难。2可以利用不同层次的结构约束，高层次的分割限制低层次的分割。

图1
PartNet以自上而下的递归方式划分3D点云，从而形成细粒度的层次结构。根据输入形状的结构复杂性，可以使用针对Chair类训练的相同模型将不同的椅子模型分割成不同数量的部件。
过程：
从完整点云开始，执行递归二进制分解，其中层次结构中所有节点处的分解网络共享权重。在每个节点处训练节点分类器，确定类型（邻接或对称）以及分解是否应该停止的标准（叶节点）。高级别节点中提取的特征递归传播到低级别的节点。因此，高级别的分解提供上下文，限制低级别的分段。同时，为了提高每个节点的分割精度，我们利用为相应部分提取的形状特征来增强递归上下文特征。我们的方法能将点云中的3D形状分割为不固定数量的部分，显示出强大的通用性和灵活性，并实现了最先进的性能。
使用ShapeNet数据集训练网络，对于每个形状，使用现有的基于规则的方法构建层次结构[35]，有助于训练更快收敛。在每个节点处计算loss，包括节点分类los