CVPRMar, 2022

AutoGPart: 中间监督搜索通用的三维零件分割

PDF
TL;DR我们提出了 AutoGPart，一种通用的方法，它考虑任务优先，使用几何先验知识构建监督空间，并让机器自动从该空间中搜索特定分割任务的最佳监督，以训练具有一般化的 3D 部分分割网络。在三个 3D 部分分割任务上进行了实验，证明了 AutoGPart 的有效性和通用性，并表明使用简单 backbones 训练的分割网络的性能可以显著提高。
3d part segmentationmachine learningsupervision spaceautogpartbackbones
发现论文，激发创造
  • 自监督学习目标部分应用于语义分割

    本文介绍了以往自我监督的学习方式大多聚焦于图像级的表示学习，不能为无监督图像分割等需要空间多样的表示的任务带来改进，通过自我监督学习物体部件提出了新的解决途径，并结合目前趋势的 Vision Transformer，利用稠密聚类任务进行空间标记的微调，取得了在语义分割基准测试上超过 17%-3% 的最先进结果，且在完全无监督分割方面也具有重大潜力。

    Apr, 2022

  • GAPartNet: 通过泛化可操作部件实现跨类别通用物体感知与操作

    通过 Generalizable and Actionable Parts (GAParts) 来实现交叉类别通用的目标认知和操作，构建大规模的基于部件的交互数据集 GAPartNet 并利用对抗学习技术提出鲁棒的三维分割方法，通过部分分割和姿态估计结果结合 GAPart 的姿态定义设计出一些基于部件的操作启发式策略能普遍适用于模拟器和现实世界的未知物体类别，方法在不同类别上大幅优于现有方法。

    Nov, 2022

  • 迈向基于开放世界的零件分割

    本文提出了一种利用无类别部件分割来减少标注难度并能适用于未知目标的部件分割方法，并通过对象感知性和自监督学习的方式对此进行了改进。

    May, 2023

  • 学习三维物体的细粒度分割，无需部件标签

    本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

    Mar, 2021

  • 学习分组：一种针对未见类别的底部向上的三维零件发现框架

    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

  • 动态图学习生成三维零件装配

    该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

    Jun, 2020

  • PartGlot: 从语言参考游戏中学习形状部分分割

    PartGlot 介绍了一种基于语义部件分割的神经框架和相关架构，仅基于部件引用语言进行学习，利用自然语言反映对象组成结构对对象及其部分形成的准则提出优先权，无需进行大规模的部件几何注释即可仅通过语言学习三维形状部分。

    Dec, 2021

  • 用梯度匹配学习对部分分割进行注释

    本文提出了一种半监督方法，使用预训练 GAN 生成图像，并使用自动注释器为 GANN 预测的图像标注对象的部分，有效地降低了有限标记示例下分割误差。

    Nov, 2022

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 基于划分指导的生成对抗网络

    该论文提出一种基于分区器的生成对抗网络的无监督学习方法，通过将高维空间分解为一组简单的子空间，训练每个子空间对应的生成器，以避免模式崩溃和样本集断裂等训练问题，理论和实验表明，该方法在各种标准基准测试中表现优于其他近期的方法。

    Apr, 2021