学习三维物体的细粒度分割,无需部件标签
本研究提出一种基于 few-shot 学习方法的零件分割算法,旨在提高算法对新分割任务的适应性以及对较小的数据量的敏感度,改善完全监督学习方法对数据集完备性的依赖。同时,采用 transform net 和 center loss block 有助于改善 3D 工件形状的理解和特征空间内同一类别的分布。
Jul, 2022
FG3D-Net 是一种用于 3D 形状分类的方法,它通过引入 fine-grained 的数据集和 part-view attention 等技术,提高了在 3D 形状细分类别上的识别精度。
May, 2020
本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型,通过高层节点提供的强有力上下文线索来约束低层级别的分割,并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分,对细颗粒度和语义分割具有 state-of-the-art 的性能。
Mar, 2019
本研究提出一种基于学习的聚合聚类框架,在提取局部上下文以促进泛化到未知类别的情况下,学习部件的几何先验知识,并在不看到任何注释样本的情况下将其应用到未见过的类别中,实现了对大规模细粒度 3D 零件数据集 PartNet 的有效分割。
Feb, 2020
该论文提出了一种将几何形状转化为分层分割部件的方法,并使用 “场景图” 和 “部件名称” 建立类别特定模型来训练和分割 3D 形状,最终完成对几何和部件之间的可视化分层和标记,实现了对物体和它们所包含的部分的分层和标记的应用。
May, 2017
通过引入 2D 模型的特性,我们提出了 Segment3D 方法,用于生成高质量的 3D 场景分割掩码,从而实现对于细粒度掩码的改进,并且能够轻松添加新的训练数据以进一步提升分割性能,而无需手动标注训练标签。
Dec, 2023
该研究提出了一种新的方法,可以同时恢复 3D 对象的几何形状和基于部分的分解,以及它们之间的潜在层次结构,实验证明考虑部分的组织确实有助于推理三维几何。
Apr, 2020
该论文致力于通过使用多尺度部分提议来选择有用的部分,并使用它们计算全局图像表示以进行无注释的细粒度图像分类,同时探索了其关键部分的检测和可视化。实验表明该方法在两个具有挑战性的数据集上比同类方法更加准确。
Apr, 2015
本文提出了一种自我监督的方法(LPD)来发现只有 2D 图像的物体的三维部件,并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件,这种方法在实验中表现良好,比现有方法具有更好的重构精度。
Jul, 2021