本文介绍了一种半监督点云语义分割方法,使用伪标签指导其损失函数,并提出了一种基于对比损失的方法来增强特征表示和模型的泛化能力。实验证明,该方法在三个数据集上都可以有效地提高预测质量。
Oct, 2021
通过提出的 Contextrast 方法,该论文在语义分割方面取得了显著的改进,能够捕捉到本地 / 全局上下文以及它们之间的关系,并通过利用细节解决边界区域的分割问题。
Apr, 2024
通过使用强度感知距离图和边界损失,本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明,这种监督策略具有巨大潜力,并在实验中取得了令人鼓舞的初步结果。
Nov, 2023
该研究关注于针对实际采集的大规模点云数据进行语义分割,并提出了一种自适应融合方法在点水平上进行准确的分割。
Mar, 2021
本文提出一种基于对比场景上下文的三维预训练方法,在数据量和标注不足时实现了全面标注的近乎完全的实例分割和语义分割。
Dec, 2020
本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法,通过自监督学习,在不需要人类标注的情况下,实现可转移的三维点云表示,通过最大化点云和相应渲染的二维图像之间的协议,实现了三维物体分类和分割等多项任务,并验证了我们的方法在提高点云理解方面的效果。
Mar, 2022
我们提出了一个统一的点云视频自监督学习框架,用于面向对象和面向场景的数据。通过在点级别进行对比学习,我们的方法能够捕捉到细粒度语义。同时,我们引入了一个新的预训练任务,通过实现超点的语义对齐来进一步提高表示能力。此外,为了解决动态点云时间维度的高冗余性问题,我们提出了一种选择策略来保留适当的负样本,并利用其他实例中的高相似样本作为正样本的补充。大量实验证明我们的方法在各种下游任务上优于有监督对应方法,并展示了学到的表示的卓越可迁移性。
Aug, 2023
提出了一种通过语言辅助的方法来学习点云特征,使用 LMMs 文本丰富语义概念,通过基于统计的显著特征选择实现去冗余和降低特征维度,进一步分析了文本对点云的对比训练的影响,实验证实所提出的方法在三维语义分割、三维物体检测和三维场景分类任务中学习到了有意义的点云特征,并获得了最先进或可比较的性能。
Dec, 2023
通过使用一种新的可微分度量替代传统分割损失函数,我们提出了一种新的分割边界检测方法,该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界,并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证,最终的结果表明,该方法提高了 IoU 分数,优于基线方法。
May, 2019
本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块,该方法能够轻松嵌入到各种分割模型中,实现较高的分割精度和清晰度