論文の概要: SQN: Weakly-Supervised Semantic Segmentation of Large-Scale 3D Point Clouds with 1000x Fewer Labels

• arxiv url: http://arxiv.org/abs/2104.04891v1
• Date: Sun, 11 Apr 2021 01:29:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:29:42.990417
• Title: SQN: Weakly-Supervised Semantic Segmentation of Large-Scale 3D Point Clouds with 1000x Fewer Labels
• Title（参考訳）: SQN:1000倍低ラベルの大規模3次元点雲の弱教師付きセマンティックセマンティックセグメンテーション
• Authors: Qingyong Hu, Bo Yang, Guangchi Fang, Yulan Guo, Ales Leonardis, Niki Trigoni, Andrew Markham
• Abstract要約: 既存の作業は通常、ネットワークトレーニングの監督を提供するために、密接な注釈付きポイントレベルのセマンティックラベルに依存します。 数十億のポイントを含む現実世界のシナリオでは、すべてのポイントを手動でアノテートすることは実用的で非常にコストがかかります。 利用可能な監視信号の合計量を暗黙的に増強する新しい弱い監視方法を提案する。
• 参考スコア（独自算出の注目度）: 58.38171764735253
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We study the problem of labelling effort for semantic segmentation of large-scale 3D point clouds. Existing works usually rely on densely annotated point-level semantic labels to provide supervision for network training. However, in real-world scenarios that contain billions of points, it is impractical and extremely costly to manually annotate every single point. In this paper, we first investigate whether dense 3D labels are truly required for learning meaningful semantic representations. Interestingly, we find that the segmentation performance of existing works only drops slightly given as few as 1% of the annotations. However, beyond this point (e.g. 1 per thousand and below) existing techniques fail catastrophically. To this end, we propose a new weak supervision method to implicitly augment the total amount of available supervision signals, by leveraging the semantic similarity between neighboring points. Extensive experiments demonstrate that the proposed Semantic Query Network (SQN) achieves state-of-the-art performance on six large-scale open datasets under weak supervision schemes, while requiring only 1000x fewer labeled points for training. The code is available at https://github.com/QingyongHu/SQN.
• Abstract（参考訳）: 大規模3次元点雲のセマンティックセグメンテーションにおけるラベル付け作業の問題点について検討する。 既存の作業は通常、ネットワークトレーニングの監督を提供するために、密接な注釈付きポイントレベルのセマンティックラベルに依存している。 しかし、数十億のポイントを含む現実世界のシナリオでは、すべてのポイントを手動でアノテートするのは非現実的で非常にコストがかかる。 本稿では,意味的意味表現の学習に高密度な3Dラベルが本当に必要かを検討する。 興味深いことに、既存の作業のセグメンテーション性能は、アノテーションの1%しか与えられていない。 しかし、この点を超えて(例えば) 1/1000以下) 既存の技術は壊滅的に失敗する。 そこで本研究では,隣接点間の意味的類似性を生かして,利用可能な監視信号の総量を暗黙的に増やす新しい弱い監督手法を提案する。 広範囲な実験により、提案されたセマンティッククエリネットワーク(SQN)は、弱い監視スキームの下で6つの大規模オープンデータセット上で最先端のパフォーマンスを達成する一方で、トレーニングのためにラベル付きポイントをわずか1000倍少なくすることがわかった。 コードはhttps://github.com/QingyongHu/SQNで入手できる。

関連論文リスト

• Multi-modality Affinity Inference for Weakly Supervised 3D Semantic Segmentation [47.81638388980828]
  本稿では,マルチモーダルポイント親和性推論モジュールを新たに導入した,シンプルで効果的なシーンレベルの弱教師付きポイントクラウドセグメンテーション法を提案する。 ScanNet と S3DIS のベンチマークでは,最先端の ScanNet と S3DIS のベンチマークでは 4% から 6% の mIoU を達成している。
  論文  参考訳（メタデータ） (2023-12-27T14:01:35Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• 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)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• 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)
• Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels [77.65554439859967]
  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。
  論文  参考訳（メタデータ） (2020-04-08T16:14:41Z)

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。