无实例级注释的弱监督三维实例分割
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
提出了一种基于弱监督的实例分割方法,使用条件分布来建模伪标签生成过程中的不确定性,通过联合概率学习目标来最小化两个分布之间的差异,实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2% [email protected] 和 4.8% [email protected] 的最新效果。
Jul, 2020
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
本文提出的伪标签辅助点云分割方法,可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果,并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明,本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。
May, 2021
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
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
本文提出了一种无需修改分割训练过程的弱监督训练方法,通过精心设计给定边界框的输入标签,经过单一训练循环即可达到先前算法的弱监督结果并能够抵达完全监督模型的约 95% 的语义标注和实例分割质量。
Mar, 2016
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
本文提出一种基于弱监督学习的 3D 物体检测方法,只需要少量弱标记场景和少量精确标记的物体实例来训练,而且使用该方法训练的模型可以作为 3D 物体注释器使用,并显示出提高性能的潜力。
Jul, 2020
提出了基于单点标注的弱监督实例分割方法,通过该方法,仅标注每个物体的随机 10 个点就能够达到 94% 至 98% 的全监督效果,比全物体标注的方法快 5 倍,同时提出了一种新的基于点标注的 PointRend 实例分割模型,称为 Implicit PointRend。
Apr, 2021