May, 2023

FreePoint: 无监督点云实例分割

PDF
TL;DR本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。
instance segmentationpoint cloudsunsupervised learningself-supervised learningweakly-supervised training
发现论文，激发创造
  • 无实例级注释的弱监督三维实例分割

    通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

    Aug, 2023

  • 基于弱监督的语义点云分割：朝着少 10 倍标签的方向发展

    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

  • 大规模点云的弱监督语义分割

    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

  • 点云上的自监督少样本学习

    该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

    Sep, 2020

  • PointInst3D：通过点对三维实例进行分割

    该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

    Apr, 2022

  • 半监督点云语义分割的引导点对比学习

    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

  • SegGroup: 3D 实例和语义分割的分割级别监督

    利用物体实例的位置信息，设计一种弱监督点云语义分割算法。通过对超分割后的物体实例进行点击，生成分割级别的标签，并通过分割分组网络将分割级别标签转化为点级别伪标签，从而实现基于分割级别标签的语义分割训练。

    Dec, 2020

  • 基于多路径区域挖掘的弱监督 3D 空间点云语义分割

    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

  • GaPro：基于高斯过程的盒标注的三维点云实例分割

    使用轴对齐的 3D 边界框监督，提出 GaPro，一种新的用于 3D 点云的实例分割方法，通过生成伪标签和训练 3DIS 网络来解决 3DIS 问题，并通过自学习策略进一步提高性能。

    Jul, 2023

  • 通过重构空间对点云进行自监督深度学习

    提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

    Jan, 2019