論文の概要: SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2012.10217v2
• Date: Sun, 28 Mar 2021 12:42:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:11:15.885837
• Title: SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation
• Title（参考訳）: SegGroup: 3DインスタンスとセマンティックセグメンテーションのためのSeg-Levelスーパービジョン
• Authors: An Tao, Yueqi Duan, Yi Wei, Jiwen Lu, Jie Zhou
• Abstract要約: アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
• 参考スコア（独自算出の注目度）: 88.22349093672975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing point cloud instance and semantic segmentation methods rely heavily on strong supervision signals, which require point-level labels for every point in the scene. However, such strong supervision suffers from large annotation costs, arousing the need to study efficient annotating. In this paper, we discover that the locations of instances matter for 3D scene segmentation. By fully taking the advantages of locations, we design a weakly supervised point cloud segmentation algorithm that only requires clicking on one point per instance to indicate its location for annotation. With over-segmentation for pre-processing, we extend these location annotations into segments as seg-level labels. We further design a segment grouping network (SegGroup) to generate pseudo point-level labels under seg-level labels by hierarchically grouping the unlabeled segments into the relevant nearby labeled segments, so that existing point-level supervised segmentation models can directly consume these pseudo labels for training. Experimental results show that our seg-level supervised method (SegGroup) achieves comparable results with the fully annotated point-level supervised methods. Moreover, it also outperforms the recent weakly supervised methods given a fixed annotation budget.
• Abstract（参考訳）: ほとんどの既存のポイントクラウドインスタンスとセマンティックセグメンテーションメソッドは、シーンのすべてのポイントに対してポイントレベルのラベルを必要とする強力な監視信号に大きく依存しています。 しかし、このような強い監督はアノテーションのコストの増大に苦しめられ、効率的な注釈研究の必要性が高まる。 本稿では,3次元シーンセグメンテーションにおけるインスタンスの位置が重要であることを明らかにする。 ロケーションの利点をフルに活用することで、アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけで、弱教師付きポイントクラウドセグメンテーションアルゴリズムを設計する。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 さらにセグメントグループ化ネットワーク(seggroup)を設計、segレベルラベルの下で擬似的なポイントレベルラベルを生成するために、ラベルのないセグメントを関連するラベル付きセグメントに階層的にグループ化することで、既存のポイントレベルの教師付きセグメントモデルがこれらの擬似ラベルを直接使用してトレーニングできるようにする。 実験結果から, セグレベル制御法 (SegGroup) は, 完全注釈付き点レベル制御法と同等の結果が得られることがわかった。 さらに、固定アノテーション予算が与えられた最近の弱い監督手法よりも優れています。

関連論文リスト

• Densify Your Labels: Unsupervised Clustering with Bipartite Matching for Weakly Supervised Point Cloud Segmentation [42.144991202299934]
  本稿では,単に「全シーン」アノテーションから「ポイント毎」ラベルを予測する,ポイントクラウドに対する弱教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 私たちの中核となる考え方は、擬似ラベルを保守的な方法で作成することで、シーンレベルのラベルをポイントクラウドの各ポイントに伝播させることです。 我々は,ScanNet と S3DIS のデータセット上での手法の評価を行い,その有効性を実証し,完全な教師付き手法に匹敵する結果が得られることを示した。
  論文  参考訳（メタデータ） (2023-12-11T19:18:17Z)
• ClickSeg: 3D Instance Segmentation with Click-Level Weak Annotations [29.231508413247457]
  3次元のインスタンスセグメンテーション法は、トレーニングのために完全に注釈付けされた高密度ラベルを必要とすることが多い。 ClickSegは、クリックレベルの弱教師付き3Dインスタンスセグメンテーション手法である。 ClickSegは、完全に教師された相手の精度の90%の$simを達成している。
  論文  参考訳（メタデータ） (2023-07-19T02:49:44Z)
• Fully and Weakly Supervised Referring Expression Segmentation with End-to-End Learning [50.40482222266927]
  Referring Expression(RES)は、与えられた言語表現に従ってターゲットをローカライズし、セグメンテーションすることを目的としている。 そこで我々は,カーネル分割パイプラインを並列に構築し,より分離し,局所化とセグメント化のステップと相互作用する。 我々の手法は単純だが驚くほど効果的であり、完全に教師された設定と弱い設定において、従来の最先端のRES手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-17T08:29:33Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• A Survey on Label-efficient Deep Segmentation: Bridging the Gap between Weak Supervision and Dense Prediction [115.9169213834476]
  本稿では,ラベル効率の高いセグメンテーション手法について概説する。 まず,様々な種類の弱いラベルによって提供される監督に従って,これらの手法を整理する分類法を開発する。 次に,既存のラベル効率のセグメンテーション手法を統一的な視点から要約する。
  論文  参考訳（メタデータ） (2022-07-04T06:21:01Z)
• 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)
• SSPC-Net: Semi-supervised Semantic 3D Point Cloud Segmentation Network [21.818744369503197]
  SSPC-Net と呼ばれる半監視型セマンティックポイントクラウドセグメンテーションネットワークを提案する。 注釈付き3D点からラベルのない点のラベルを推定することにより意味分節ネットワークを訓練する。 本手法は,注釈付き3D点の少ない半教師付きセグメンテーション法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-04-16T02:37:27Z)

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。