Apr, 2023

PointCLIMB: 一种无标杆点云类增量基准测试

PDF
TL;DR本文提出了 PointCLIMB 模型，探究了一种在点云数据中使用无样本类增量学习的方法，并在 ModelNet40 数据集上进行了展示。
point cloudsclass incremental learning3d computer visionexemplar-freemodelnet40 dataset
发现论文，激发创造
  • vCLIMB: 一种新颖的视频类别增量学习基准

    本文提出 vCLIMB 连续学习基准测试，旨在探究在视频领域中，利用深度模型进行随时间增量式学习时出现的挑战，作者提出了一种能应用于基于记忆的连续学习模型的时间一致性正则化方法，能显著提高模型在未修剪连续学习任务中的性能，最高可提高 24％。

    Jan, 2022

  • InCloud: 基于点云的增量学习用于地点识别

    介绍了一种基于结构感知的基于蒸馏的方法 InCloud，用于点云位置识别的增量学习，可以提升网络在不同数据集上的表现，并且适用于各种不同的网络架构。

    Mar, 2022

  • 基于动态任务抽样的 CLIP 点云分类的元事件学习

    提出了一个新颖的 CLIP-based 点云分类元 - 叙事学习框架，针对有限的训练样本和采样未知类别的挑战。通过基于性能记忆的动态任务采样策略，能够从各种类别中学习并促进对少数类别的探索，进而提高模型处理挑战性和真实场景的能力。在少样本设置下，通过实验证明在 ModelNet40 和 ScanobjectNN 数据集上有 3-6％的平均性能提升。

    Apr, 2024

  • 稀疏数据下基于类别增量和粗细策略的 LiDAR 语义分割的持续学习

    本文探究了点云语义分割中类增量学习的问题，比较了不同的连续学习策略和先进的架构，并且在 SemanticKITTI 数据集上获得了与现有方法相当的效果。

    Apr, 2023

  • PointCLIP: 基于 CLIP 的点云理解

    本文基于 Contrastive Vision-Language Pre-training (CLIP) 提出了一种对应 PointCloud 数据和 3D 文本分类的零样本和小样本学习模型 PointCLIP，并通过在 ModelNet10、ModelNet40 和 ScanObjectNN 数据集上的实验证明其有效性。

    Dec, 2021

  • 零数据增量学习的类印象

    提出了一种新型的、无需实际数据的分类增量学习框架，采用数据合成的方式生成虚拟数据大大缓解了灾难性遗忘现象，采用余弦归一化交叉熵损失、边际损失和领域对比损失来优化模型的分类性能，将该方法与现有方法进行比较实验，并在诊断心脏超声图像方面取得了很好的效果。

    Jun, 2022

  • I3DOL: 基于增量学习的三维物体学习，避免灾难性遗忘

    用自适应几何中心模块构建鉴别性局部几何结构，然后通过几何感知注意机制，探索具有高贡献度的唯一 3D 几何特征，从而不断地学习新类别的 3D 物体。同时，通过分数公平补偿策略，进一步缓解由于过去和新类别的 3D 物体之间的不平衡数据而导致的灾难性遗忘，以弥补新类别的偏差预测。实验验证了该模型的优越性。

    Dec, 2020

  • PointCLIP V2: 适应强大 3D 开放世界学习的 CLIP

    本文介绍了一种名为 PointCLIP V2 的 3D 开放世界学习器，它使用对比语言 - 图像预训练（CLIP）以及大规模语言模型来在 3D 点云数据上进行零 - shot 分类、部分分割和物体检测。PointCLIP V2 通过引入现实形状投影模块和自动设计更具描述性的 3D - 语义暗示，显著超越了 PointCLIP 的性能。

    Nov, 2022

  • 面向未来的班级增量学习

    通过使用预训练的文本到图像扩散模型生成未来类别的合成图像并使用它们训练特征提取器，我们提出的方法改进了无典范类增量学习的最新方法，特别是在只包含少量类别的最困难的情况下。此外，我们还表明使用未来类别的合成样本比使用不同类别的真实数据能够实现更高的性能，为增量学习的更好和更低成本的预训练方法铺平了道路。

    Apr, 2024

  • 面向非样本半监督类增量学习

    创新性地提出了一种非示例的半监督类增量学习框架，通过对比学习和半监督的增量原型分类器，使模型能够逐步从部分标记的新数据中学习，同时保持旧类别的知识。

    Mar, 2024