May, 2023

基于样本原型适应和投影的少 / 零样本三维点云语义分割

PDF
TL;DR本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction （SR）来增强原型的表示以适应点云的大内部类特征差异和极少量数据，最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法，其中还考虑到零样本的情况
few-shot learning3d point cloudsemantic segmentationprototype adaptionzero-shot learning
发现论文，激发创造
  • 少样本 3D 点云语义分割

    为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。

    Jun, 2020

  • 通过查询引导增强提升少样本 3D 点云分割

    通过适应支持原型和查询特征之间的语义差距，我们的方法在点云的少样本分割模型中取得显著改进，并维持高效性能。

    Aug, 2023

  • 将 CLIP 的知识转化为零样本点云语义分割

    本文提出了一种简单而有效的基线方法，将 CLIP 中的视觉语言知识在特征和输出层面上转移到点云编码器，从而在零样本点云语义分割中取得了显著的性能提升，并在无标注点云语义分割设置中取得了有希望的结果，展示了其在标签效率学习方面的巨大潜力。

    Dec, 2023

  • 用蒸馏进行动态原型适应的小样本点云分割

    通过动态原型适应方法解决了少样本点云分割中的物体变异问题，并且在两个常用数据集上显著超越了最先进方法。

    Jan, 2024

  • 通过几何词汇进行广义的少样本点云分割

    在动态测试环境中，现有的全监督点云分割方法无法应对新出现的类别。为解决这一问题，少样本点云分割算法通过学习适应新类别，但会牺牲对基类别的分割准确性，从而严重影响其实用性。因此，我们首次尝试了更实用的广义少样本点云分割范式，要求模型能够同时推广到用仅有少量支持点云表示的新类别，并保持对基类别的分割能力。我们提出了几何单词来表示基类别和新类别之间共享的几何组件，并将其融入新型几何感知语义表示中，以更好地推广到新类别而不会遗忘旧类别。此外，我们引入几何原型来利用几何先验知识来引导分割。在 S3DIS 和 ScanNet 上进行的大量实验证明了我们方法在基准方法上的卓越性能。

    Sep, 2023

  • GPA-3D: 无监督域自适应点云三维物体检测中的几何感知原型对齐

    提出了一种新颖的无监督领域自适应三维检测框架 GPA-3D，通过显式利用点云对象的内在几何关系来减少特征差异，从而实现跨领域的转移，并在各种基准测试中证明了其优越性。

    Aug, 2023

  • 生成式零样本学习用于三维点云语义分割

    本研究提出了一种新的基于生成模型的零样本学习方法，能够处理包括分类和语义分割在内的三维数据，在 ModelNet40 数据集上表现良好，并在 S3DIS，ScanNet 和 SemanticKITTI 数据集上进行了验证。

    Aug, 2021

  • 少样本分割的自适应原型学习和分配

    本文提出两种新的模块（SGC 和 GPA）和一种轻量级模型（ASGNet），用于多原型提取和分配，并且通过在 COCO 上的实验结果表明 ASGNet 在 5-shot segmentation 中可以超越现有技术方法的 5%。

    Apr, 2021

  • 通过传递几何基元实现零样本点云分割

    本文介绍了一种用于零样本点云语义分割的新型框架，该框架利用了几何基元以在训练期间进行类别之间的知识转移，并使用未知感知信息熵来校准视觉与语义表示。通过大量实验，该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。

    Oct, 2022

  • 基于几何驱动的零样本三维点云理解聚合

    通过利用点云的几何结构改进传输的视觉 - 语言模型，我们提出了首个无需训练的聚合技术，通过几何和语义的点级推理，在分类、部件分割和语义分割等三个任务中取得了新的技术优势。

    Dec, 2023