論文の概要: Zero-Shot Learning on 3D Point Cloud Objects and Beyond
- arxiv url: http://arxiv.org/abs/2104.04980v1
- Date: Sun, 11 Apr 2021 10:04:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:13:06.170793
- Title: Zero-Shot Learning on 3D Point Cloud Objects and Beyond
- Title(参考訳): zero-shot learning on 3d point cloud objects and beyond
- Authors: Ali Cheraghian, Shafinn Rahman, Townim F. Chowdhury, Dylan Campbell,
Lars Petersson
- Abstract要約: 課題のいくつかを特定し,既存のモデルの性能を解析するために3次元領域に2次元ゼロショット学習(ZSL)手法を適用した。
観測された意味論とポイントクラウド機能を同時に調整する新しい損失関数を開発した。
幅広い実験が行われ、合成データセットと実データセットにZSLとGZSLの最先端を確立します。
- 参考スコア(独自算出の注目度): 21.6491982908705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zero-shot learning, the task of learning to recognize new classes not seen
during training, has received considerable attention in the case of 2D image
classification. However, despite the increasing ubiquity of 3D sensors, the
corresponding 3D point cloud classification problem has not been meaningfully
explored and introduces new challenges. In this paper, we identify some of the
challenges and apply 2D Zero-Shot Learning (ZSL) methods in the 3D domain to
analyze the performance of existing models. Then, we propose a novel approach
to address the issues specific to 3D ZSL. We first present an inductive ZSL
process and then extend it to the transductive ZSL and Generalized ZSL (GZSL)
settings for 3D point cloud classification. To this end, a novel loss function
is developed that simultaneously aligns seen semantics with point cloud
features and takes advantage of unlabeled test data to address some known
issues (e.g., the problems of domain adaptation, hubness, and data bias). While
designed for the particularities of 3D point cloud classification, the method
is shown to also be applicable to the more common use-case of 2D image
classification. An extensive set of experiments is carried out, establishing
state-of-the-art for ZSL and GZSL on synthetic (ModelNet40, ModelNet10, McGill)
and real (ScanObjectNN) 3D point cloud datasets.
- Abstract(参考訳): ゼロショット学習(Zero-shot learning)は,2次元画像分類において,新しいクラスを学習時に認識するタスクである。
しかし,3dセンサの普及にもかかわらず,それに対応する3dポイントクラウド分類問題は有意義に検討されておらず,新たな課題も提起されている。
本稿では,課題のいくつかを特定し,既存のモデルの性能を解析するために3次元領域に2次元ゼロショット学習(ZSL)手法を適用した。
そこで,我々は3d zslに特有の問題に対処するための新しいアプローチを提案する。
まずインダクティブZSLプロセスを示し、3Dポイントクラウド分類のためのトランスダクティブZSLと一般化ZSL(GZSL)設定に拡張する。
この目的のために、目に見えないセマンティクスとポイントクラウドの特徴を同時に一致させ、既知の問題(例えば、ドメイン適応、ハブ性、データバイアス)に対処するためにラベル付けされていないテストデータを活用する新しいロス関数が開発された。
3次元点雲分類の特異性のために設計されているが、この手法はより一般的な2次元画像分類にも適用可能である。
合成(ModelNet40、ModelNet10、McGill)および実(ScanObjectNN)3Dポイントクラウドデータセット上で、ZSLとGZSLの最先端技術を確立するための広範な実験が実施された。
関連論文リスト
- ZeroKey: Point-Level Reasoning and Zero-Shot 3D Keypoint Detection from Large Language Models [57.57832348655715]
3次元形状のキーポイント検出のための新しいゼロショット手法を提案する。
提案手法は,マルチモーダル大規模言語モデルに埋め込まれた豊富な知識を利用する。
論文 参考訳(メタデータ) (2024-12-09T08:31:57Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳(メタデータ) (2023-12-28T14:52:07Z) - Explore In-Context Learning for 3D Point Cloud Understanding [71.20912026561484]
我々は,特に3Dポイントクラウドにおけるコンテキスト内学習のために設計された,ポイント・イン・コンテキストという新しいフレームワークを紹介した。
一般点サンプリング演算子とタンデムで協調して動作するように慎重に設計したJoint Smplingモジュールを提案する。
提案手法の汎用性と適応性を検証するため,幅広いタスクを扱うための広範囲な実験を行った。
論文 参考訳(メタデータ) (2023-06-14T17:53:21Z) - What Makes for Effective Few-shot Point Cloud Classification? [18.62689395276194]
非順序構造,高いクラス内分散,微妙なクラス間差など,3次元のショットラーニングの方が難易度が高いことを示す。
そこで我々は,クラス内差の増大と微妙なクラス間差問題に対処するため,Cross-Instance Adaptation (CIA)モジュールと呼ばれる新しいプラグイン・アンド・プレイ・コンポーネントを提案する。
論文 参考訳(メタデータ) (2023-03-31T15:55:06Z) - Prompt-guided Scene Generation for 3D Zero-Shot Learning [8.658191774247944]
本稿では,ネットワークをよりよく学習するための3Dデータを増やすために,プロンプト誘導型3Dシーン生成と監視手法を提案する。
まず、2つの3Dモデルの点雲を、プロンプトによって記述された特定の方法でマージする。
我々は、合成(ModelNet40, ModelNet10)および実走査(ScanOjbectNN)3Dオブジェクトデータセット上で、最先端のZSLと一般化されたZSL性能を実現した。
論文 参考訳(メタデータ) (2022-09-29T11:24:33Z) - CrossPoint: Self-Supervised Cross-Modal Contrastive Learning for 3D
Point Cloud Understanding [2.8661021832561757]
CrossPointは、転送可能な3Dポイントクラウド表現を学習するための、単純なクロスモーダルコントラスト学習アプローチである。
提案手法は,従来の教師なし学習手法よりも,3次元オブジェクト分類やセグメンテーションなど,さまざまな下流タスクにおいて優れていた。
論文 参考訳(メタデータ) (2022-03-01T18:59:01Z) - Spatio-temporal Self-Supervised Representation Learning for 3D Point
Clouds [96.9027094562957]
ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。
幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。
STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
論文 参考訳(メタデータ) (2021-09-01T04:17:11Z) - Generative Zero-Shot Learning for Semantic Segmentation of 3D Point
Cloud [79.99653758293277]
本稿では,ZSL(Zero-Shot Learning)とGZSL(Generalized ZSL)の両方を3次元データ上に生成する手法を提案する。
インダクティブZSLとインダクティブGZSLの両方に対して,ModelNet40分類における技術状況に到達または向上することを示す。
実験の結果,本手法は強いベースラインよりも優れており,さらに本手法を提案する。
論文 参考訳(メタデータ) (2021-08-13T13:29:27Z) - Point Discriminative Learning for Unsupervised Representation Learning
on 3D Point Clouds [54.31515001741987]
3次元点雲上での教師なし表現学習のための点識別学習法を提案する。
我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。
提案手法は強力な表現を学習し,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2021-08-04T15:11:48Z)
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。