물체를 나타내는 질의
각 물체 개체는 하나의 질의로 표현된다. 트랜스포머 디코더는 여러 규모의 점군 특징에 반복적으로 주의를 기울여 이 질의를 학습한다.
점 특징과 마스크
학습한 질의와 점별 특징을 결합해 여러 개체 마스크를 한꺼번에 얻는다. 결과를 직접 마스크로 다루므로 마스크 자체를 최적화하는 손실을 사용할 수 있다.
기하 후처리의 부담
중심 같은 기하 속성을 골라 투표하거나 군집 반경을 수동 조정하는 절차에 의존하지 않으려는 설계다. 일반적인 트랜스포머 구성 요소로 분할을 표현하는 것이 핵심이다.
평가 자료
연구는 ScanNet과 ScanNet200 및 S3DIS와 STPLS3D에서 비교했다. 이름이 같은 이차원 모델의 삼차원 사전 학습 연구와는 별개이며, 여기서는 점군 개체 분할 방법을 뜻한다.
관련 문서
트랜스포머 / 점군 / 인스턴스 분할 / OneFormer3D / OpenMask3D / Open3DIS