論文の概要: Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes
- arxiv url: http://arxiv.org/abs/2107.02972v1
- Date: Wed, 7 Jul 2021 01:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-09 01:56:12.639826
- Title: Learn to Learn Metric Space for Few-Shot Segmentation of 3D Shapes
- Title（参考訳）: 3次元形状のFew-Shotセグメンテーションのための距離空間の学習
- Authors: Xiang Li, Lingjing Wang, Yi Fang
- Abstract要約: メタラーニングに基づく3次元形状分割手法を提案する。
本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
- 参考スコア（独自算出の注目度）: 17.217954254022573
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Recent research has seen numerous supervised learning-based methods for 3D
shape segmentation and remarkable performance has been achieved on various
benchmark datasets. These supervised methods require a large amount of
annotated data to train deep neural networks to ensure the generalization
ability on the unseen test set. In this paper, we introduce a
meta-learning-based method for few-shot 3D shape segmentation where only a few
labeled samples are provided for the unseen classes. To achieve this, we treat
the shape segmentation as a point labeling problem in the metric space.
Specifically, we first design a meta-metric learner to transform input shapes
into embedding space and our model learns to learn a proper metric space for
each object class based on point embeddings. Then, for each class, we design a
metric learner to extract part-specific prototype representations from a few
support shapes and our model performs per-point segmentation over the query
shapes by matching each point to its nearest prototype in the learned metric
space. A metric-based loss function is used to dynamically modify distances
between point embeddings thus maximizes in-part similarity while minimizing
inter-part similarity. A dual segmentation branch is adopted to make full use
of the support information and implicitly encourages consistency between the
support and query prototypes. We demonstrate the superior performance of our
proposed on the ShapeNet part dataset under the few-shot scenario, compared
with well-established baseline and state-of-the-art semi-supervised methods.
- Abstract（参考訳）: 近年,3次元形状のセグメンテーションのための教師付き学習手法が多数報告されており,様々なベンチマークデータセットで顕著な性能が達成されている。
これらの教師あり手法は、見えないテストセットの一般化能力を保証するために、ディープニューラルネットワークを訓練するために大量の注釈データを必要とする。
本稿では,いくつかのラベル付きサンプルのみを未確認のクラスに提供した,数発の3次元形状分割のためのメタラーニング手法を提案する。
これを実現するために,距離空間における点ラベル問題として形状セグメンテーションを扱う。
具体的には,まず,入力形状を埋め込み空間に変換するメタメトリック学習器を設計し,各オブジェクトの適切な距離空間を点埋め込みに基づいて学習する。
そして,各クラスに対して,いくつかのサポート形状から部分固有プロトタイプ表現を抽出するためのメトリック学習器を設計し,学習したメトリック空間において,各ポイントと最寄りのプロトタイプとをマッチングして,クエリ形状に対してポイント毎のセグメンテーションを行う。
距離に基づく損失関数は、点埋め込み間の距離を動的に変化させることで、部分間の類似性を最小化しながら、部分内類似性を最大化する。
サポート情報をフル活用するためにデュアルセグメンテーションブランチが採用されており、サポートとクエリプロトタイプ間の一貫性を暗黙的に奨励している。
本稿では,ShapeNet部データセットにおける提案手法の優れた性能を,既存のベースラインや最先端の半教師手法と比較し,いくつかのシナリオで示す。
関連論文リスト
- Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。
我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。
これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文 参考訳（メタデータ） (2024-03-01T15:14:47Z) - Instance-aware 3D Semantic Segmentation powered by Shape Generators and
Classifiers [28.817905887080293]
本稿では,3次元セマンティックセグメンテーションのための新しいインスタンス認識手法を提案する。
本手法は,学習した特徴表現の一貫性を促進するために,インスタンスレベルでの幾何処理タスクを組み合わせる。
論文 参考訳（メタデータ） (2023-11-21T02:14:16Z) - Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。
私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。
提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
論文 参考訳（メタデータ） (2023-10-19T04:44:43Z) - Semantic Segmentation-Assisted Instance Feature Fusion for Multi-Level
3D Part Instance Segmentation [17.929866369256555]
本稿では,3次元部分分割のための新しい手法を提案する。
本手法は, セマンティックセグメンテーションを利用して, 中心予測などの非局所的なインスタンス特徴を融合する。
提案手法は,PartNetベンチマークで大きく改善された既存手法よりも優れている。
論文 参考訳（メタデータ） (2022-08-09T13:22:55Z) - Weakly Supervised 3D Point Cloud Segmentation via Multi-Prototype
Learning [37.76664203157892]
ここでの根本的な課題は、局所幾何学構造の大きなクラス内変異であり、結果として意味クラス内のサブクラスとなる。
この直感を活用し、各サブクラスの個別分類器を維持することを選択します。
我々の仮説はまた、追加アノテーションのコストを伴わずにセマンティックサブクラスの一貫した発見を前提に検証されている。
論文 参考訳（メタデータ） (2022-05-06T11:07:36Z) - PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。
その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。
提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
論文 参考訳（メタデータ） (2022-04-25T02:41:46Z) - Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
学習不可能なプロトタイプをベースとした非パラメトリ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。
我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。
この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
論文 参考訳（メタデータ） (2022-03-28T21:15:32Z) - UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。
学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-08-05T17:11:08Z) - Part-aware Prototype Network for Few-shot Semantic Segmentation [50.581647306020095]
本稿では,プロトタイプ表現に基づく新規な数ショットセマンティックセマンティックセマンティクスフレームワークを提案する。
私たちのキーとなるアイデアは、全体論的なクラス表現を、部分認識型プロトタイプのセットに分解することです。
提案する部分認識型プロトタイプを生成・拡張する新しいグラフニューラルネットワークモデルを開発した。
論文 参考訳（メタデータ） (2020-07-13T11:03:09Z) - 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。