論文の概要: Learning Fine-Grained Segmentation of 3D Shapes without Part Labels

• arxiv url: http://arxiv.org/abs/2103.13030v1
• Date: Wed, 24 Mar 2021 07:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-25 13:59:57.623954
• Title: Learning Fine-Grained Segmentation of 3D Shapes without Part Labels
• Title（参考訳）: 部品ラベルのない3次元形状の微粒化学習
• Authors: Xiaogang Wang, Xun Sun, Xinyu Cao, Kai Xu, Bin Zhou
• Abstract要約: 学習に基づく3d形状セグメンテーションは、通常、トレーニング形状のすべての部分が所定のタグセットでアノテートされていると仮定して、意味的なラベリング問題として定式化される。 細粒度セグメンテーションを持つ形状データセットから,部分ラベルのない部分前処理を学習するための深層クラスタリングを提案する。 提案手法は,最先端性能を示す細粒度セグメンテーションの挑戦的なベンチマークを用いて評価する。
• 参考スコア（独自算出の注目度）: 29.837938445219528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based 3D shape segmentation is usually formulated as a semantic labeling problem, assuming that all parts of training shapes are annotated with a given set of tags. This assumption, however, is impractical for learning fine-grained segmentation. Although most off-the-shelf CAD models are, by construction, composed of fine-grained parts, they usually miss semantic tags and labeling those fine-grained parts is extremely tedious. We approach the problem with deep clustering, where the key idea is to learn part priors from a shape dataset with fine-grained segmentation but no part labels. Given point sampled 3D shapes, we model the clustering priors of points with a similarity matrix and achieve part segmentation through minimizing a novel low rank loss. To handle highly densely sampled point sets, we adopt a divide-and-conquer strategy. We partition the large point set into a number of blocks. Each block is segmented using a deep-clustering-based part prior network trained in a category-agnostic manner. We then train a graph convolution network to merge the segments of all blocks to form the final segmentation result. Our method is evaluated with a challenging benchmark of fine-grained segmentation, showing state-of-the-art performance.
• Abstract（参考訳）: 学習に基づく3d形状セグメンテーションは、通常、トレーニング形状のすべての部分が所定のタグセットでアノテートされていると仮定して、意味的なラベリング問題として定式化される。 しかし、この仮定はきめ細かいセグメンテーションを学ぶには実用的ではない。 市販のCADモデルの多くは、構成上は細かな部分で構成されているが、通常はセマンティックタグを見逃し、細かな部分をラベル付けするのは非常に面倒である。 深層クラスタリング(deep clustering)の問題にアプローチする。ここでは,粒度の細かいセグメンテーションを持つ形状データセットから,部分ラベルを持たない部分先行を学習する。 与えられた点が3次元形状をサンプリングし,類似度行列を持つ点のクラスタリング前後をモデル化し,新しい低ランク損失を最小化することで部分分割を実現する。 高度にサンプリングされた点集合を扱うために、分割・対数戦略を採用する。 我々は大きな点をいくつかのブロックに分割する。 各ブロックは、カテゴリに依存しない方法でトレーニングされたディープクラスタベースの事前ネットワークを使用してセグメント化される。 次に、グラフ畳み込みネットワークをトレーニングし、すべてのブロックのセグメントをマージして最終的なセグメンテーション結果を生成する。 提案手法は,最先端性能を示す細粒度セグメンテーションの挑戦的なベンチマークを用いて評価する。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
  ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。 一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。 基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T11:24:33Z)
• Semi-supervised 3D shape segmentation with multilevel consistency and part substitution [21.075426681857024]
  本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。 ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しい多レベル整合性損失を提案する。 ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
  論文  参考訳（メタデータ） (2022-04-19T11:48:24Z)
• iSeg3D: An Interactive 3D Shape Segmentation Tool [48.784624011210475]
  3次元形状のための効果的なアノテーションツールiSegを提案する。 我々の観察では、ほとんどの対象は有限原始形状の合成とみなすことができる。 構築したプリミティブな形状データに基づいてiSeg3Dモデルをトレーニングし、幾何学的事前知識を自己指導的に学習する。
  論文  参考訳（メタデータ） (2021-12-24T08:15:52Z)
• 3D Compositional Zero-shot Learning with DeCompositional Consensus [102.7571947144639]
  我々は、部分的知識は観察されたオブジェクトクラスを超えて構成可能であるべきだと論じる。 本稿では、視覚から見えないオブジェクトクラスへの部分一般化の問題として、3D合成ゼロショット学習を提案する。
  論文  参考訳（メタデータ） (2021-11-29T16:34:53Z)
• Robust 3D Scene Segmentation through Hierarchical and Learnable Part-Fusion [9.275156524109438]
  3Dセマンティックセグメンテーションは、自律運転、ロボット工学、AR/VRといったいくつかのシーン理解アプリケーションのための基本的なビルディングブロックである。 従来の手法では、階層的で反復的な手法を用いて意味や事例情報を融合するが、文脈融合における学習性は欠如している。 本稿では,セグメンテーション・フュージョン(Seegment-Fusion)について述べる。
  論文  参考訳（メタデータ） (2021-11-16T13:14:47Z)
• SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network for 3D Indoor Scenes [6.3364439467281315]
  本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。 具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
  論文  参考訳（メタデータ） (2021-07-08T04:43:21Z)
• 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)

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。