机器学习的层次聚类用于 2D 和 3D 图像分割
本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法,实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度,在没有语义先验的图像分割中具有很强的竞争力。
May, 2015
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023
本文提出了一种主动学习方法,利用几何先验知识简化三维图像体积中的注释过程,选择最需要注释的体素,并保证它们位于二维平面贴片上,从而比随机分布体素更容易进行注释。在电子显微镜和磁共振成像体积以及自然图像上评估该方法的性能,与几个公认的基准线比较表明性能有显著提高。
Aug, 2015
通过开发一种分层点云主动学习策略,本文解决了使用有限注释学习 3D 点云分割的问题,通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量,并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注,在 S3DIS 和 ScanNetV2 数据集上的广泛实验表明,所提出的框架在仅使用 0.07% 和 0.1% 的训练数据时分别达到了完全监督基线的 96.5% 和 100% 的性能,优于最先进的弱监督和主动学习方法。
Aug, 2023
提出了一种全方位理解 3D 场景的通用 3D 分割方法 OmniSeg3D,通过层次对比学习框架将多视图不一致的 2D 分割提升为一致的 3D 特征场,实现了分层分割、多对象选择和全局离散化,并通过大量实验验证了该方法在高质量 3D 分割和准确定义了层次结构方面的有效性,进一步利用图形用户界面实现了灵活的全方位 3D 分割的交互操作。
Nov, 2023
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018
本文提出了一种端到端可训练的多视角聚合模型,利用 3D 点的视角优势,从任意位置拍摄的图像中合并特征,将标准 2D 和 3D 网络相结合,不需要着色、上网格或真实深度图,我们在 S3DIS 和 KITTI-360 数据集上取得了新的最佳效果。
Apr, 2022
通过抽象的学习规则,我们提出了一种训练策略,使得三维光达语义分割模型能够学习不同类别之间的结构关系,从而提高模型的置信度校准,并为融合、预测和规划等下游任务保留附加信息。
Apr, 2024