少样本 3D 点云语义分割
在动态测试环境中,现有的全监督点云分割方法无法应对新出现的类别。为解决这一问题,少样本点云分割算法通过学习适应新类别,但会牺牲对基类别的分割准确性,从而严重影响其实用性。因此,我们首次尝试了更实用的广义少样本点云分割范式,要求模型能够同时推广到用仅有少量支持点云表示的新类别,并保持对基类别的分割能力。我们提出了几何单词来表示基类别和新类别之间共享的几何组件,并将其融入新型几何感知语义表示中,以更好地推广到新类别而不会遗忘旧类别。此外,我们引入几何原型来利用几何先验知识来引导分割。在 S3DIS 和 ScanNet 上进行的大量实验证明了我们方法在基准方法上的卓越性能。
Sep, 2023
本文提出了一种新的 few-shot 分割框架,基于原型表示,并将整体类表示分解为一组部分感知原型,能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型,提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估,表明我们的方法优于以前的方法。
Jul, 2020
本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction (SR)来增强原型的表示以适应点云的大内部类特征差异和极少量数据,最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法,其中还考虑到零样本的情况
May, 2023
本论文提出了一种弱监督点云分割方法,可以在训练阶段仅标记极少量点,通过学习梯度近似和利用额外的空间和颜色平滑约束来实现,性能接近或甚至优于全监督的方法,具有很高的实用性。
Apr, 2020
零射点云分割方法探索了如何识别在训练阶段未见过的点云中的新物体,并利用深度模型从已标记的已知类别转移知识到未标记的未知类别,提出了一种新颖的多模态零射学习方法,以更准确地对齐视觉和语义特征,在两个流行的基准数据集 SemanticKITTI 和 nuScenes 上进行的实验表明,我们的方法在未见类别 mIoU 上分别取得了 52% 和 49% 的提升,超过了当前的最佳方法。
Jul, 2023
本文介绍了一种用于零样本点云语义分割的新型框架,该框架利用了几何基元以在训练期间进行类别之间的知识转移,并使用未知感知信息熵来校准视觉与语义表示。通过大量实验,该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。
Oct, 2022
本文提出了一种基于自我监督学习的弱监督方法解决大规模点云语义分割的问题,采用点云着色作为预处理任务,通过生成类原型的方式生成伪标签,并提出了一种稀疏标签传播机制,该方法在室内外不同情景的大规模点云数据集上得到了更好的弱监督结果和与完全监督方法可比的结果。
Dec, 2022
本文提出了一种简单而有效的基于场景级弱监督的点云分割方法,引入了多模态点亲和度推理模块,利用从多个模态(如点云和 RGB)得到的特征来特征化提出的点亲和度,并通过归一化分类器权重来减轻长尾分布的不利影响,无需事先知道类别分布的先验信息。通过在 ScanNet 和 S3DIS 基准测试上进行的大量实验证实了我们提出方法的有效性,其 mIoU 指标优于现有技术水平 4% 至 6%。
Dec, 2023
本研究提出了一种利用弱标签预测三维点云中点级结果的方法,使用分类网络训练生成伪点级标签,再使用点级伪标签以全监督方式训练点云分割网络,实验结果在 ScanNet 数据集上证明了该方法的有效性。
Mar, 2020
本研究提出了一种基于度量学习的原型对齐网络(PANet)来解决仅使用少量样本进行图像分割的问题,它通过学习每个语义类别的原型表示,并通过匹配每个像素到所学习的原型来执行查询图像的分割,最终在 PASCAL-5i 上超越了现有技术达到了 48.1% 和 55.7% 的 mIoU 得分(1-shot 和 5-shot 设置),是一种有效的 few-shot segmentation 方法。
Aug, 2019