論文の概要: Semi-supervised 3D shape segmentation with multilevel consistency and
part substitution
- arxiv url: http://arxiv.org/abs/2204.08824v1
- Date: Tue, 19 Apr 2022 11:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 18:16:57.626519
- Title: Semi-supervised 3D shape segmentation with multilevel consistency and
part substitution
- Title(参考訳): 多レベル整合と部分置換を伴う半教師付き3次元形状分割
- Authors: Chun-Yu Sun, Yu-Qi Yang, Hao-Xiang Guo, Peng-Shuai Wang, Xin Tong,
Yang Liu, Heung-Yeung Shum
- Abstract要約: 本稿では,ラベル付3次元形状とラベル付3次元データの量から3次元分割を効果的に学習するための半教師付き手法を提案する。
ラベルのないデータに対して,3次元形状の摂動コピー間のネットワーク予測の整合性を確保するために,新しいエンフェティレベル整合性損失を提案する。
ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
- 参考スコア(独自算出の注目度): 21.075426681857024
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The lack of fine-grained 3D shape segmentation data is the main obstacle to
developing learning-based 3D segmentation techniques. We propose an effective
semi-supervised method for learning 3D segmentations from a few labeled 3D
shapes and a large amount of unlabeled 3D data. For the unlabeled data, we
present a novel \emph{multilevel consistency} loss to enforce consistency of
network predictions between perturbed copies of a 3D shape at multiple levels:
point-level, part-level, and hierarchical level. For the labeled data, we
develop a simple yet effective part substitution scheme to augment the labeled
3D shapes with more structural variations to enhance training. Our method has
been extensively validated on the task of 3D object semantic segmentation on
PartNet and ShapeNetPart, and indoor scene semantic segmentation on ScanNet. It
exhibits superior performance to existing semi-supervised and unsupervised
pre-training 3D approaches. Our code and trained models are publicly available
at \url{https://github.com/isunchy/semi_supervised_3d_segmentation}.
- Abstract(参考訳): きめ細かい3次元形状のセグメンテーションデータが欠如していることが,学習に基づく3次元セグメンテーション技術開発の主な障害となっている。
本稿では,ラベル付3次元形状とラベル付3次元データから3次元分割を効果的に学習する手法を提案する。
ラベルのないデータに対しては,複数レベル(点レベル,部分レベル,階層レベル)で3次元形状の摂動コピー間のネットワーク予測の整合性を強制する,新しいemph{multilevel consistency}損失を示す。
ラベル付きデータに対して,より構造的な変化を伴ってラベル付き3次元形状を増強し,トレーニングを強化するシンプルな部分置換法を開発した。
本手法は,partnetとshapenetpartの3次元オブジェクト意味セグメンテーションと,scannetの屋内シーン意味セグメンテーションのタスクで広く検証されている。
既存の半教師なしかつ教師なしの3dアプローチよりも優れた性能を示す。
私たちのコードとトレーニングされたモデルは、 \url{https://github.com/isunchy/semi_supervised_3d_segmentation}で公開されている。
関連論文リスト
- Segment3D: Learning Fine-Grained Class-Agnostic 3D Segmentation without
Manual Labels [141.23836433191624]
現在の3Dシーンセグメンテーション手法は、手動で注釈付けされた3Dトレーニングデータセットに大きく依存している。
高品質な3Dセグメンテーションマスクを生成するクラス非依存の3Dシーンセグメンテーション法であるSegment3Dを提案する。
論文 参考訳(メタデータ) (2023-12-28T18:57:11Z) - SAI3D: Segment Any Instance in 3D Scenes [68.57002591841034]
新規なゼロショット3Dインスタンスセグメンテーション手法であるSAI3Dを紹介する。
我々の手法は3Dシーンを幾何学的プリミティブに分割し、段階的に3Dインスタンスセグメンテーションにマージする。
ScanNet、Matterport3D、さらに難しいScanNet++データセットに関する実証的な評価は、我々のアプローチの優位性を示している。
論文 参考訳(メタデータ) (2023-12-17T09:05:47Z) - SAM-guided Graph Cut for 3D Instance Segmentation [63.797612618531346]
本稿では,3次元画像情報と多視点画像情報の同時利用による3次元インスタンス分割の課題に対処する。
本稿では,3次元インスタンスセグメンテーションのための2次元セグメンテーションモデルを効果的に活用する新しい3D-to-2Dクエリフレームワークを提案する。
本手法は,ロバストなセグメンテーション性能を実現し,異なるタイプのシーンにまたがる一般化を実現する。
論文 参考訳(メタデータ) (2023-12-13T18:59:58Z) - UnScene3D: Unsupervised 3D Instance Segmentation for Indoor Scenes [35.38074724231105]
UnScene3Dは、クラスに依存しない屋内スキャンの3Dインスタンスセグメンテーションのための、完全に教師なしの3D学習アプローチである。
高分解能な3次元データに基づく効率的な表現と学習を可能にする。
提案手法は,最先端の教師なし3次元インスタンス分割法を平均精度300%以上で改善する。
論文 参考訳(メタデータ) (2023-03-25T19:15:16Z) - PartSLIP: Low-Shot Part Segmentation for 3D Point Clouds via Pretrained
Image-Language Models [56.324516906160234]
一般化可能な3D部分分割は重要だが、ビジョンとロボティクスでは難しい。
本稿では,事前学習した画像言語モデルGLIPを利用して,3次元点雲の低ショット部分分割法を提案する。
我々は2Dから3Dへの豊富な知識を、ポイントクラウドレンダリングにおけるGLIPに基づく部分検出と新しい2D-to-3Dラベルリフトアルゴリズムにより転送する。
論文 参考訳(メタデータ) (2022-12-03T06:59:01Z) - MvDeCor: Multi-view Dense Correspondence Learning for Fine-grained 3D
Segmentation [91.6658845016214]
そこで本研究では,2次元領域における自己教師型手法を,微細な3次元形状分割作業に活用することを提案する。
複数のビューから3次元形状を描画し、コントラスト学習フレームワーク内に密接な対応学習タスクを設置する。
その結果、学習された2次元表現はビュー不変であり、幾何学的に一貫性がある。
論文 参考訳(メタデータ) (2022-08-18T00:48:15Z) - Interactive Object Segmentation in 3D Point Clouds [27.88495480980352]
本稿では,ユーザが直接3Dポイントクラウドと対話する対話型3Dオブジェクトセグメンテーション手法を提案する。
私たちのモデルは、ターゲットドメインからのトレーニングデータを必要としない。
異なるデータ特性と異なるオブジェクトクラスを持つ他のいくつかのデータセットでうまく機能する。
論文 参考訳(メタデータ) (2022-04-14T18:31:59Z) - Meta-Learning 3D Shape Segmentation Functions [16.119694625781992]
本稿では,3次元形状を入力として,各3次元セグメント関数空間の事前予測を行うメタリアナとして,補助的なディープニューラルネットワークを導入する。
実験では,メタ3DSegと呼ばれるメタラーニング手法が,教師なし3次元形状のセグメンテーションの改善につながることを示す。
論文 参考訳(メタデータ) (2021-10-08T01:50:54Z) - ICM-3D: Instantiated Category Modeling for 3D Instance Segmentation [19.575077449759377]
Instaniated categorization を用いて3Dインスタンスを分割するシングルステップ手法 ICM-3D を提案する。
我々は、ICM-3Dの有効性を検証するための広範な実験を行い、複数のフレームワーク、バックボーン、ベンチマークにまたがるインスピレーションされた性能が得られることを示す。
論文 参考訳(メタデータ) (2021-08-26T13:08:37Z) - 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。