論文の概要: Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels

• arxiv url: http://arxiv.org/abs/2004.04091v1
• Date: Wed, 8 Apr 2020 16:14:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 09:11:34.116260
• Title: Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels
• Title（参考訳）: 弱教師付きセマンティックポイントクラウドセグメンテーション:10倍少ないラベルへ
• Authors: Xun Xu, Gim Hee Lee
• Abstract要約: トレーニング段階でラベル付けされるポイントのごく一部しか必要としない,弱教師付きポイントクラウドセグメンテーション手法を提案する。 実験は3つの公開データセットで行われ、監督の度合いが異なる。
• 参考スコア（独自算出の注目度）: 77.65554439859967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud analysis has received much attention recently; and segmentation is one of the most important tasks. The success of existing approaches is attributed to deep network design and large amount of labelled training data, where the latter is assumed to be always available. However, obtaining 3d point cloud segmentation labels is often very costly in practice. In this work, we propose a weakly supervised point cloud segmentation approach which requires only a tiny fraction of points to be labelled in the training stage. This is made possible by learning gradient approximation and exploitation of additional spatial and color smoothness constraints. Experiments are done on three public datasets with different degrees of weak supervision. In particular, our proposed method can produce results that are close to and sometimes even better than its fully supervised counterpart with 10$\times$ fewer labels.
• Abstract（参考訳）: ポイントクラウド分析は近年注目を集めており、セグメンテーションは最も重要なタスクの1つである。 既存のアプローチの成功は、ディープネットワーク設計と大量のラベル付きトレーニングデータによるものであり、後者が常に利用できると仮定されている。 しかし、実際に3dポイントのクラウドセグメンテーションラベルを取得することは、しばしば非常にコストがかかる。 そこで本研究では,トレーニング段階でラベル付けされるポイントのごく一部しか必要としない,弱教師付きポイントクラウドセグメンテーション手法を提案する。 これは、追加空間および色の滑らかさ制約の勾配近似と利用を学習することで可能となる。 実験は3つの公開データセットで行われ、監督の度合いが異なる。 特に,提案手法は10$\times$未満のラベルと完全に教師付きである結果よりも,時として近い結果を生成することができる。

関連論文リスト

• Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
  大規模なポイントクラウドセマンティックセグメンテーションのための既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。 この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。 実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
  論文  参考訳（メタデータ） (2022-12-09T09:42:26Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• Label-Efficient Point Cloud Semantic Segmentation: An Active Learning Approach [35.23982484919796]
  公平なベンチマークを可能にするため,より現実的なアノテーションカウント方式を提案する。 ラベル付け予算をより活用するために、スーパーポイントベースのアクティブラーニング戦略を採用する。 2つのベンチマークデータセットの実験は、提案されたアクティブラーニング戦略の有効性を示しています。
  論文  参考訳（メタデータ） (2021-01-18T08:37:21Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)
• Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds [67.0904905172941]
  本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。 私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
  論文  参考訳（メタデータ） (2020-03-29T14:13:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。