論文の概要: 3D Meta-Segmentation Neural Network
- arxiv url: http://arxiv.org/abs/2110.04297v1
- Date: Fri, 8 Oct 2021 01:47:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 17:37:10.146373
- Title: 3D Meta-Segmentation Neural Network
- Title（参考訳）: 3次元メタセグメンテーションニューラルネットワーク
- Authors: Yu Hao, Yi Fang
- Abstract要約: 本稿では,3次元形状分割関数を課題とするメタラーニング手法を提案する。
本手法は,複数の3次元部分分割タスクをトレーニングすることにより,各3次元部分分割関数空間の事前学習を可能にする。
本モデルは,広く使用されているデータセットであるShapeNetの少数ショット設定により,より優れた部分セグメンテーション性能を実現することを実証する。
- 参考スコア（独自算出の注目度）: 12.048487830494107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Though deep learning methods have shown great success in 3D point cloud part
segmentation, they generally rely on a large volume of labeled training data,
which makes the model suffer from unsatisfied generalization abilities to
unseen classes with limited data. To address this problem, we present a novel
meta-learning strategy that regards the 3D shape segmentation function as a
task. By training over a number of 3D part segmentation tasks, our method is
capable to learn the prior over the respective 3D segmentation function space
which leads to an optimal model that is rapidly adapting to new part
segmentation tasks. To implement our meta-learning strategy, we propose two
novel modules: meta part segmentation learner and part segmentation learner.
During the training process, the part segmentation learner is trained to
complete a specific part segmentation task in the few-shot scenario. In the
meantime, the meta part segmentation learner is trained to capture the prior
from multiple similar part segmentation tasks. Based on the learned information
of task distribution, our meta part segmentation learner is able to dynamically
update the part segmentation learner with optimal parameters which enable our
part segmentation learner to rapidly adapt and have great generalization
ability on new part segmentation tasks. We demonstrate that our model achieves
superior part segmentation performance with the few-shot setting on the widely
used dataset: ShapeNet.
- Abstract（参考訳）: 深層学習手法は3Dポイントクラウド部分分割において大きな成功を収めてきたが、一般に大量のラベル付きトレーニングデータに頼っているため、限られたデータで見つからないクラスに対して不満足な一般化能力に悩まされる。
この問題に対処するために,3次元形状分割関数をタスクとする新しいメタラーニング戦略を提案する。
本手法では,複数の3次元部分分割タスクをトレーニングすることにより,各3次元部分分割関数空間の事前学習が可能となり,新しい部分分割タスクに迅速に適応する最適モデルが導かれる。
メタ学習戦略を実現するために,メタ部分セグメンテーション学習器と部分セグメンテーション学習器という2つの新しいモジュールを提案する。
トレーニングプロセス中、パートセグメンテーション学習者は、いくつかのシナリオで特定の部分セグメンテーションタスクを完了するように訓練される。
一方、メタ部分セグメンテーション学習者は、複数の類似部分セグメンテーションタスクから先行を捉えるように訓練される。
タスク分散の学習情報に基づいて,メタパートセグメンテーション学習者は,部分セグメンテーション学習者を最適なパラメータで動的に更新することが可能であり,部分セグメンテーション学習者が迅速に適応し,新たな部分セグメンテーションタスクに優れた一般化能力を有する。
本モデルは,広く使用されているデータセットであるShapeNetの少数ショット設定により,より優れた部分セグメンテーション性能を実現することを実証する。
関連論文リスト
- SegPoint: Segment Any Point Cloud via Large Language Model [62.69797122055389]
我々は,多種多様なタスクにまたがるポイントワイドセグメンテーションマスクを生成するSegPointと呼ばれるモデルを提案する。
SegPointは、単一のフレームワーク内でさまざまなセグメンテーションタスクに対処する最初のモデルである。
論文 参考訳（メタデータ） (2024-07-18T17:58:03Z) - Tracking Anything with Decoupled Video Segmentation [87.07258378407289]
我々はデカップリングビデオセグメンテーションアプローチ(DEVA)を開発した。
タスク固有のイメージレベルセグメンテーションと、クラス/タスク非依存の双方向の時間的伝搬で構成されている。
この分離された定式化は、複数のデータスカースタスクにおけるエンドツーエンドのアプローチと良好に比較できることを示す。
論文 参考訳（メタデータ） (2023-09-07T17:59:41Z) - AIMS: All-Inclusive Multi-Level Segmentation [93.5041381700744]
視覚領域を3つのレベル(パート、エンティティ、リレーション)に分割するタスクであるAll-Inclusive Multi-Level(AIMS)を提案する。
また、アノテーションの不整合とタスク相関の2つの大きな課題に対処するために、マルチデータセットのマルチタスクトレーニングを通じて統合されたAIMSモデルを構築します。
論文 参考訳（メタデータ） (2023-05-28T16:28:49Z) - Ensembling Instance and Semantic Segmentation for Panoptic Segmentation [0.0]
メソッドはまず、インスタンスセグメンテーションとセマンティックセグメンテーションを別々に実行し、2つを組み合わせてパン光学セグメンテーション結果を生成する。
トレーニングデータにおけるデータ不均衡問題に対処するために,インスタンスセグメンテーションにおけるMask R-CNNのエキスパートモデルをいくつか追加する。
セグメンテーションでは,様々なバックボーンを持つモデルを訓練し,セグメンテーション結果をさらに強化するアンサンブル戦略を用いた。
論文 参考訳（メタデータ） (2023-04-20T14:02:01Z) - Semi-Weakly Supervised Object Kinematic Motion Prediction [56.282759127180306]
3Dオブジェクトが与えられた場合、運動予測は移動部と対応する運動パラメータを識別することを目的としている。
階層的部分分割と移動部パラメータのマップを学習するグラフニューラルネットワークを提案する。
ネットワーク予測は、擬似ラベル付き移動情報を持つ大規模な3Dオブジェクトを生成する。
論文 参考訳（メタデータ） (2023-03-31T02:37:36Z) - Task-Adaptive Feature Transformer with Semantic Enrichment for Few-Shot
Segmentation [21.276981570672064]
わずかながらの学習により、機械はいくつかのラベル付きサンプルを使用して新しいクラスを分類できる。
本稿では,既存のセグメンテーションネットワーク上に,数発のセグメンテーションを行うための学習可能なモジュールを提案する。
PASCAL-$5i$とCOCO-$20i$データセットの実験では、追加されたモジュールが既存のセグメンテーションの機能を拡張することに成功した。
論文 参考訳（メタデータ） (2022-02-14T06:16:26Z) - 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) - LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud
Segmentation [19.915593390338337]
本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。
提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
論文 参考訳（メタデータ） (2021-03-16T15:58:01Z) - Task-Adaptive Feature Transformer for Few-Shot Segmentation [21.276981570672064]
タスク適応型特徴変換器 (TAFT) の少数ショットセグメンテーションのための学習可能なモジュールを提案する。
TAFTは、タスク固有の高レベル機能を、セグメンテーションジョブに適したタスクに依存しない一連の特徴に線形に変換する。
PASCAL-$5i$データセットの実験では、この組み合わせがセグメンテーションアルゴリズムに数発の学習機能を追加することに成功している。
論文 参考訳（メタデータ） (2020-10-22T04:35:37Z) - Learning Fast and Robust Target Models for Video Object Segmentation [83.3382606349118]
ビデオオブジェクトセグメンテーション(VOS)は、ターゲットオブジェクトを定義する初期マスクがテスト時にのみ与えられるため、非常に難しい問題である。
それまでのほとんどの場合、第1フレーム上のファイン・チューン・セグメンテーション・ネットワークにアプローチし、非現実的なフレームレートとオーバーフィッティングのリスクをもたらす。
本稿では,2つのネットワークコンポーネントからなる新しいVOSアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-27T21:58:06Z)
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。