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
我们提出了一种紧凑高效的三维高斯分割方法(Compact and Swift Segmenting 3D Gaussians,CoSSegGaussians),通过仅使用 RGB 图像输入,在快速渲染速度下进行三维一致场景分割。
Jan, 2024
自我监督的 3D 表示学习旨在从大规模未标记的点云中学习有效的表示。我们提出了 GroupContrast,一种将分段分组和语义感知对比学习相结合的新方法,通过分段分组提高语义一致性并为后续的对比表示学习提供语义指导,从而减轻了 “语义冲突” 问题。
Mar, 2024
本文提出了一种名为 CCL 的基于聚类的对比学习方法,利用聚类得到的标签和视频约束来学习具有区分性的人脸特征,展示了该方法在视频人脸聚类的表征学习任务上的显著成果。
Apr, 2020
提出了一种基于弱监督对比学习的框架 (WCL),该框架使用两个投影头进行正则的实例区分任务,一头使用基于图形的方法找到相似的样本并生成弱标签,另一头使用这些弱标签进行有监督的对比学习任务,以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题,并在不同的数据集上提高了自监督表示品质,尤其是在半监督学习中达到了新的最优结果。
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。
本文提出了一种新的方法,通过利用二维预训练模型,将二维 segments 抬升为三维,并使用神经场表示将它们融合在一起,实现多层面的一致性,并提出了一个可扩展并适合于大量对象的场慢的聚类方法。通过新建的混乱房间数据集,以及 ScanNet、Hypersim 和 Replica 数据集上的实验,证明了该方法的有效性和可扩展性。
Jun, 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。
基于神经隐式表示的 3D 场景分割方法,通过多视图图像特征和语义地图作为输入,采用软投票机制来聚合来自不同视图的二维语义信息,结合视角差异信息预测投票分数,通过可见性模块筛选掉遮挡视图的有害信息,在只有二维语义监督的情况下,能够综合合成语义地图或进行新场景的三维语义分割。
Oct, 2023
本文提出了一种名为 ConClu 的通用无监督方法,它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明,该框架在 3D 物体分类和语义分割等下游应用方面具有很好的性能,可以胜过现有技术。
Feb, 2022