論文の概要: The Neurally-Guided Shape Parser: A Monte Carlo Method for Hierarchical Labeling of Over-segmented 3D Shapes

• arxiv url: http://arxiv.org/abs/2106.12026v1
• Date: Tue, 22 Jun 2021 19:26:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 15:35:21.498169
• Title: The Neurally-Guided Shape Parser: A Monte Carlo Method for Hierarchical Labeling of Over-segmented 3D Shapes
• Title（参考訳）: ニューラルガイド型形状解析器:過分割3次元形状の階層ラベリングのためのモンテカルロ法
• Authors: R. Kenny Jones and Rana Hanocka and Daniel Ritchie
• Abstract要約: 我々はニューラルガイド形状を提示する。 NGSPは、過剰な3次元形状の領域に意味ラベルを割り当てる方法を学ぶ方法である。 生成した3次元形状の階層的セマンティックセマンティックセグメンテーションにおけるNGSPの評価を行った。
• 参考スコア（独自算出の注目度）: 15.856188608650232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many learning-based 3D shape semantic segmentation methods assign labels to shape atoms (e.g. points in a point cloud or faces in a mesh) with a single-pass approach trained in an end-to-end fashion. Such methods achieve impressive performance but require large amounts of labeled training data. This paradigm entangles two separable subproblems: (1) decomposing a shape into regions and (2) assigning semantic labels to these regions. We claim that disentangling these subproblems reduces the labeled data burden: (1) region decomposition requires no semantic labels and could be performed in an unsupervised fashion, and (2) labeling shape regions instead of atoms results in a smaller search space and should be learnable with less labeled training data. In this paper, we investigate this second claim by presenting the Neurally-Guided Shape Parser (NGSP), a method that learns how to assign semantic labels to regions of an over-segmented 3D shape. We solve this problem via MAP inference, modeling the posterior probability of a labeling assignment conditioned on an input shape. We employ a Monte Carlo importance sampling approach guided by a neural proposal network, a search-based approach made feasible by assuming the input shape is decomposed into discrete regions. We evaluate NGSP on the task of hierarchical semantic segmentation on manufactured 3D shapes from PartNet. We find that NGSP delivers significant performance improvements over baselines that learn to label shape atoms and then aggregate predictions for each shape region, especially in low-data regimes. Finally, we demonstrate that NGSP is robust to region granularity, as it maintains strong segmentation performance even as the regions undergo significant corruption.
• Abstract（参考訳）: 多くの学習に基づく3次元形状セマンティックセグメンテーション法は、ラベルを形状原子に割り当てる(例)。 ポイントクラウドやメッシュ内の顔のポイント) エンドツーエンドの方法でトレーニングされたシングルパスアプローチ。 このような手法は優れた性能を発揮するが、大量のラベル付きトレーニングデータを必要とする。 このパラダイムは、(1) 形状を領域に分解し、(2) 意味ラベルをこれらの領域に割り当てる2つの分離可能なサブプロブレムを絡み合わせる。 1) 領域分割は意味的ラベルを必要とせず、教師なしの方法で行うことができ、(2) 原子の代わりに形状領域をラベル付けすることは、より小さな探索空間となり、より少ないラベル付きトレーニングデータで学習できるべきである。 本稿では,この2つ目の主張を,過剰な3次元形状の領域に意味ラベルを割り当てる手法であるNGSP(Neurally-Guided Shape Parser)を提示することによって検討する。 我々はMAP推論によってこの問題を解き、入力形状に条件付けられたラベル付け代入の後方確率をモデル化する。 ニューラルネットワークによるモンテカルロ重要度サンプリング手法を用いて,入力形状が離散領域に分解されることを想定して検索可能な手法を提案する。 生成した3次元形状の階層的セマンティックセマンティックセグメンテーションのタスクにおけるNGSPの評価を行った。 NGSPは、形状原子をラベル付けし、特に低データ状態において、各形状領域の予測を集約することを学ぶベースラインよりも大幅に性能が向上することがわかった。 最後に,NGSPは領域の粒度に対して頑健であり,領域が著しく破損してもセグメンテーション性能を保っていることを示す。

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)
• Towards Modality-agnostic Label-efficient Segmentation with Entropy-Regularized Distribution Alignment [62.73503467108322]
  この話題は、3次元の点雲のセグメンテーションで広く研究されている。 近年まで、擬似ラベルは、限られた地道ラベルによる訓練を容易にするために広く用いられてきた。 既存の擬似ラベリングアプローチは、重複しないデータのノイズやバリエーションに悩まされる可能性がある。 本研究では,学習用擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭める学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-29T13:31:15Z)
• Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
  相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。 私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
  論文  参考訳（メタデータ） (2024-07-17T06:14:53Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)
• 3D Guided Weakly Supervised Semantic Segmentation [27.269847900950943]
  本稿では,スパース境界ボックスラベルを利用可能な3次元情報に組み込むことにより,弱教師付き2次元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モデルを提案する。 手動で2D-3Dセマンティックス(2D-3D-S)データセットのサブセットにバウンディングボックスをラベル付けし、2D-3D推論モジュールを導入し、正確なピクセルワイドセグメント提案マスクを生成する。
  論文  参考訳（メタデータ） (2020-12-01T03:34:15Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。