GaPro:基于高斯过程的盒标注的三维点云实例分割
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。
May, 2023
提出了一种基于 2D 监督的新型深度图卷积网络框架,用于大规模语义场景点云的分割,通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征,并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入, 即使只有单个训练样本的情况下,也能够进行自然场景下的 3D 分割训练,扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。
Apr, 2020
通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验,本文提出了一个互补的图像提示引导的弱监督点云实例分割(CIP-WPIS)方法,用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择,我们生成互补的背景和前景提示,并通过这些提示对点进行置信度分配,使用超点提供的 3D 几何均匀性来决定最终实例标签分配。通过大量实验证明,我们的方法对于嘈杂的 3D 边界框注释具有鲁棒性,并实现了最先进的性能。
Sep, 2023
通过无监督学习的方法,使用 LiDAR 传感器,构建了一个算法来预测 3D 场景中的实例分割,其中通过权重代理图生成 3D 实例掩模建议,并使用自我训练算法对初始嘈杂的提议进行强化,以生成场景级实例分割。在 SemanticKITTI 基准测试中,该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。
Mar, 2024
Open3DIS 是对 3D 场景中开放词汇实例分割问题的一种新解决方案,通过聚合帧间的 2D 实例掩码并将其映射到几何连贯的点云区域作为高质量的对象提案,与 3D 非特定类实例提案相结合,能够在真实世界的广泛对象中实现显著的性能提升。
Dec, 2023
本文提出 Box2Mask 方法,利用 3D 包围盒标签进行弱监督学习,通过 Hough 投票和聚类方法实现 3D 实例分割,无需密集注释点云数据,模型在 ScanNet 测试上达到领先水平(+18 mAP@50),并在实现 3D 实例分割掩码方面取得了令人信服的结果。
Jun, 2022
提出了一种用于三维实例分割的 Box-Supervised Simulation-assisted Mean Teacher (BSNet) 模型,利用伪标签和模拟样本来提高弱监督下的分割结果的质量和精度。模型包括模拟辅助教师和学生标签器,以更好地建模局部 - 全局结构。通过在 ScanNetV2 和 S3DIS 数据集上进行大量实验验证了模型的优越性。
Mar, 2024
本文提出 VS3D,一个从点云中弱监督学习的 3D 目标检测框架,其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略,在 KITTI 数据集上取得了优异的性能。
Jul, 2020
3D-BoNet 是一个新颖的、简单易懂且通用的网络,可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路(边界框回归和点掩码预测)组成,并在保持端到端训练的同时,直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明,相比现有方法,该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优,而且计算效率提高了约 10 倍,并且该算法的设计是有效的。
Jun, 2019