[论文解读] FEC: Fast Euclidean Clustering for Point Cloud Segmentation

Yu Cao, Yancheng Wang+3 more|arXiv (Cornell University)|Aug 16, 2022

3D Shape Modeling and Analysis被引用 5

一句话总结

本文提出快速欧几里得聚类（FEC），一种新型的逐点聚类算法，通过将传统的聚cluster循环替换为逐点方案，加速点云实例分割，减少kd树搜索调用次数，在保持高分割精度的同时，相比经典方法如EC和RG实现高达100倍的加速。

ABSTRACT

Segmentation from point cloud data is essential in many applications such as remote sensing, mobile robots, or autonomous cars. However, the point clouds captured by the 3D range sensor are commonly sparse and unstructured, challenging efficient segmentation. In this paper, we present a fast solution to point cloud instance segmentation with small computational demands. To this end, we propose a novel fast Euclidean clustering (FEC) algorithm which applies a pointwise scheme over the clusterwise scheme used in existing works. Our approach is conceptually simple, easy to implement (40 lines in C++), and achieves two orders of magnitudes faster against the classical segmentation methods while producing high-quality results.

研究动机与目标

• 解决实时应用中点云实例分割缺乏高效、低计算量方法的问题。
• 克服现有基于几何的聚类方法（如欧几里得聚类EC和区域生长RG）依赖聚cluster嵌套循环导致的高计算成本。
• 开发一种在显著提升处理速度的同时保持高分割质量的方法，尤其适用于仅CPU系统。
• 实现在无需GPU加速或场景特定结构假设的前提下，对大规模点云实现快速、可扩展的实例分割。

提出的方法

• 提出一种逐点聚类方案，逐个处理每个点，而非遍历聚cluster，从而减少冗余的kd树查询。
• 用逐点循环替代EC和RG中传统的聚cluster循环，最小化每次迭代中对所有点的重复遍历。
• 使用kd树进行高效的最近邻搜索，但通过利用逐点更新策略，大幅减少调用次数。
• 实现一个简单轻量的C++代码库（40行），避免复杂数据结构和内存密集型操作。
• 将地面去除作为预处理步骤，以实现与基于学习方法的公平比较，同时保持核心FEC算法与场景尺度或扫描线结构无关。
• 设计算法时考虑其内在可并行性，尽管当前仅支持CPU实现，但未来可扩展至GPU或多核加速。

实验结果

研究问题

• RQ1 逐点聚类方案是否能显著降低传统聚cluster聚类在点云分割中的计算开销？
• RQ2 所提出的FEC方法是否在不牺牲分割精度的前提下，相比EC和RG等现有基于几何的方法实现显著加速？
• RQ3 与依赖GPU加速的现代基于学习的3D实例分割模型相比，FEC在性能和效率上表现如何？
• RQ4 FEC是否能在真实世界的大规模点云（如KITTI数据集）上保持高质量的分割结果？
• RQ5 所提出的方法是否对噪声或稀疏点云数据具有鲁棒性，并能有效扩展至数百万个点？

主要发现

• 在KITTI数据集上，FEC相比欧几里得聚类（EC）、区域生长（RG）和VoxelNet实现5倍加速，相比SGPN实现20倍加速。
• 尽管仅使用CPU，FEC的速度仍接近LiDARSeg（GPU加速）的5倍，且比VoxelNet快6倍。
• 所有基于几何的方法（EC、RG、FEC）的实例分割精度相当，mAP约为62%，略高于基于学习的方法（LiDARSeg为mAP 59%，VoxelNet为mAP 55.7%）。
• 在包含2700万个点的KITTI序列上，FEC的处理速度比经典EC和RG方法快超过100倍。
• 即使在复杂的真实场景中，该方法仍能保持高质量的分割结果，如图9的定性结果所示。
• 性能提升主要归因于逐点方案，该方案通过避免在嵌套循环中重复遍历全部点，显著减少了kd树搜索调用次数。