論文の概要: RWSeg: Cross-graph Competing Random Walks for Weakly Supervised 3D Instance Segmentation

• arxiv url: http://arxiv.org/abs/2208.05110v1
• Date: Wed, 10 Aug 2022 02:14:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 12:55:32.128351
• Title: RWSeg: Cross-graph Competing Random Walks for Weakly Supervised 3D Instance Segmentation
• Title（参考訳）: RWSeg: 3Dインスタンスセグメンテーションにおいてランダムウォークと競合するクロスグラフ
• Authors: Shichao Dong, Ruibo Li, Jiacheng Wei, Fayao Liu, Guosheng Lin
• Abstract要約: 3Dポイントクラウド上のインスタンスセグメンテーションは、広範囲のアプリケーションのために注目を集めている。 本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 意味情報と事例情報をそれぞれ未知の領域に伝達する2つの分岐を持つ統一的なフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 51.25670187124317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance segmentation on 3D point clouds has been attracting increasing attention due to its wide applications, especially in scene understanding areas. However, most existing methods require training data to be fully annotated. Manually preparing ground-truth labels at point-level is very cumbersome and labor-intensive. To address this issue, we propose a novel weakly supervised method RWSeg that only requires labeling one object with one point. With these sparse weak labels, we introduce a unified framework with two branches to propagate semantic and instance information respectively to unknown regions, using self-attention and random walk. Furthermore, we propose a Cross-graph Competing Random Walks (CGCRW) algorithm which encourages competition among different instance graphs to resolve ambiguities in closely placed objects and improve the performance on instance assignment. RWSeg can generate qualitative instance-level pseudo labels. Experimental results on ScanNet-v2 and S3DIS datasets show that our approach achieves comparable performance with fully-supervised methods and outperforms previous weakly-supervised methods by large margins. This is the first work that bridges the gap between weak and full supervision in the area.
• Abstract（参考訳）: 3dポイントクラウド上のインスタンスセグメンテーションは、その幅広い応用、特にシーン理解領域によって、注目を集めている。 しかし、既存のほとんどの手法では、トレーニングデータを完全に注釈付けする必要がある。 地中ラベルをポイントレベルで手作業で準備するのは面倒で手間がかかります。 この問題に対処するため,我々は,一つのオブジェクトを一つのポイントでラベリングするだけでよい,新しい弱教師付きメソッドrwsegを提案する。 これらの疎弱なラベルを用いて,セマンティクス情報とインスタンス情報をそれぞれ未知の領域に伝達する2つのブランチによる統一フレームワークを導入する。 さらに、密配置されたオブジェクトのあいまいさを解消し、インスタンス割り当て時のパフォーマンスを改善するために、異なるインスタンスグラフ間の競合を促すクロスグラフ競合ランダムウォークス(CGCRW)アルゴリズムを提案する。 RWSegは定性的なインスタンスレベルの擬似ラベルを生成することができる。 ScanNet-v2およびS3DISデータセットによる実験結果から,本手法は完全教師付き手法と同等の性能を示し,従来の弱教師付き手法よりも大きなマージンで優れていた。 これは、この地域における弱者と完全な監督の間のギャップを埋める最初の仕事である。

関連論文リスト

• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• ClickSeg: 3D Instance Segmentation with Click-Level Weak Annotations [29.231508413247457]
  3次元のインスタンスセグメンテーション法は、トレーニングのために完全に注釈付けされた高密度ラベルを必要とすることが多い。 ClickSegは、クリックレベルの弱教師付き3Dインスタンスセグメンテーション手法である。 ClickSegは、完全に教師された相手の精度の90%の$simを達成している。
  論文  参考訳（メタデータ） (2023-07-19T02:49:44Z)
• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 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。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• 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)
• 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)

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。