重新思考少样本 3D 点云语义分割

CVPRMar, 2024

Rethinking Few-shot 3D Point Cloud Semantic Segmentation

Zhaochong An, Guolei Sun, Yun Liu, Fayao Liu, Zongwei Wu...

TL;DR该研究论文通过引入标准化的少样本点云语义分割设置和基于相关性优化的新模型 (COSeg)，解决了目前该领域面临的前景泄漏、稀疏点分布等问题，在流行数据集上的实验证明了 COSeg 相对于现有方法的优越性。

Abstract

This paper revisits few-shot 3D point cloud semantic segmentation (FS-PCS), with a focus on two significant issues in the state-of-the-art: foreground leakage and sparse point distribution. The former arises from

point cloud semantic segmentation few-shot learning foreground leakage sparse point distribution correlation optimization

发现论文，激发创造

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

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

3D 点云语义分割中的点与标签关联方法综述

本文对 3D 点云的获取和应用进行了概述，结合传统和先进的分割方法，讨论了点云语义分割在远程感知、计算机视觉和机器人技术等领域的发展和应用，并探讨了该领域面临的挑战和未来研究方向。

Aug, 2019

CSI：提升三维点云识别对冲突的鲁棒性

该研究针对点云数据的不可避免的数据损坏问题，提出了基于关键子集识别（CSI）方法，通过密度感知采样（DAS）和自熵最小化（SEM）两个关键组件来提高点云识别的鲁棒性。实验证明，该方法在 ModelNet40-C 和 PointCloud-C 数据集上分别取得了 18.4% 和 16.3% 的错误率，相对于同类方法分别提高了 5.2% 和 4.2%。

Oct, 2023

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

CPCM: 弱监督下的点云语义分割的上下文点云建模

通过在三维点云中应用稀疏的标注以降低标注成本，本文提出了一种弱监督点云语义分割的上下文建模方法，包括区域遮罩策略和上下文遮罩训练方法，并在 ScanNet V2 和 S3DIS 基准测试中展示了其优越性。

Jul, 2023

CPSeg：基于 3D LiDAR 点云的无聚类全景分割

提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

Nov, 2021

面向鲁棒性的少样本点云语义分割

通过在训练过程中学习用于将目标类的干净样本与噪声样本分离的判别性特征表示的组件级清理噪声分离（CCNS）表示学习，以及借助 CCNS 中清晰而分离的干净和噪声支持样本，提出了一种多尺度基于度数的噪声抑制（MDNS）方案，用于从支持集中去除噪声，从而显著提高了少样本点云语义分割的鲁棒性。

Sep, 2023

通用少样本语义分割

本文中，我们介绍了一个名为 “广义 Few-Shot 语义分割（GFS-Seg）” 的新基准数据集，用于分析在同时分割具有非常少的示例的新类别和具有足够示例的基础类别的情况下的内在泛化能力。我们提出了一种名为 “上下文感知原型学习（CAPL）” 的方法来提高模型的性能，该方法通过从支持样本中利用共现先验知识并动态丰富上下文信息到分类器，条件是基于每个查询图像的内容。在 Pascal-VOC 和 COCO 上的实验表明了 CAPL 的有效性，CAPL 在 Few-Shot Segmentation 上具有很好的泛化性能，且性能与现有状态 - of-the-art 方法相比有竞争力。

Oct, 2020

动态原型卷积网络用于小样本语义分割

针对 few-shot 语义分割的挑战，该论文提出了一种基于动态原型卷积网络 (DPCN) 的解决方案，其中动态卷积模块 (DCM) 从支持前景生成动态内核，而支持激活模块 (SAM) 和特征过滤模块 (FFM) 则一起为查询图像提供丰富的背景信息，实现了更准确的 few-shot 语义分割。DPCN 在 1-shot 和 5-shot 设置下均表现出优越性能。

Apr, 2022