論文の概要: GaIA: Graphical Information Gain based Attention Network for Weakly
Supervised Point Cloud Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2210.01558v1
- Date: Sun, 2 Oct 2022 08:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 14:34:14.491697
- Title: GaIA: Graphical Information Gain based Attention Network for Weakly
Supervised Point Cloud Semantic Segmentation
- Title(参考訳): GaIA: 弱い監視ポイントクラウドセマンティックセグメンテーションのためのグラフィック情報ゲインに基づく注意ネットワーク
- Authors: Min Seok Lee, Seok Woo Yang, and Sung Won Han
- Abstract要約: 本研究の目的は, エントロピーによって測定される不確実性を, 正確にセマンティックセグメンテーションのために低減することである。
信頼性情報に基づいて各点のエントロピーを緩和するGaIAと呼ばれるグラフィカル情報ゲインに基づくアテンションネットワークを提案する。
S3DISとScanNet-v2データセットの実験結果は、我々のフレームワークが既存の弱教師付き手法よりも優れていることを示している。
- 参考スコア(独自算出の注目度): 2.796057369371464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While point cloud semantic segmentation is a significant task in 3D scene
understanding, this task demands a time-consuming process of fully annotating
labels. To address this problem, recent studies adopt a weakly supervised
learning approach under the sparse annotation. Different from the existing
studies, this study aims to reduce the epistemic uncertainty measured by the
entropy for a precise semantic segmentation. We propose the graphical
information gain based attention network called GaIA, which alleviates the
entropy of each point based on the reliable information. The graphical
information gain discriminates the reliable point by employing relative entropy
between target point and its neighborhoods. We further introduce anchor-based
additive angular margin loss, ArcPoint. The ArcPoint optimizes the unlabeled
points containing high entropy towards semantically similar classes of the
labeled points on hypersphere space. Experimental results on S3DIS and
ScanNet-v2 datasets demonstrate our framework outperforms the existing weakly
supervised methods. We have released GaIA at https://github.com/Karel911/GaIA.
- Abstract(参考訳): ポイントクラウドセマンティックセグメンテーションは3Dシーン理解において重要なタスクであるが、このタスクはラベルを完全に注釈付けする時間を要する。
この問題に対処するために、近年の研究ではスパースアノテーションの下で弱教師付き学習アプローチを採用している。
本研究は, 従来の研究と異なり, エントロピーによって測定された, 正確なセマンティックセグメンテーションのための不確実性を低減することを目的としている。
信頼度の高い情報に基づいて各点のエントロピーを緩和するgaiaと呼ばれるグラフ情報ゲインベースの注意ネットワークを提案する。
図形情報ゲインは、目標点とその近傍の相対エントロピーを用いて信頼性のある点を識別する。
さらに、アンカーベースの付加的な角マージン損失ArcPointを導入する。
アークポイントは、超球面上のラベル付き点の意味的に類似したクラスに対して高いエントロピーを含むラベル付き点を最適化する。
s3disとscannet-v2データセットの実験結果は、既存の弱い教師付きメソッドよりも優れています。
GaIAはhttps://github.com/Karel911/GaIA.comでリリースしました。
関連論文リスト
- Multi-modality Affinity Inference for Weakly Supervised 3D Semantic
Segmentation [47.81638388980828]
本稿では,マルチモーダルポイント親和性推論モジュールを新たに導入した,シンプルで効果的なシーンレベルの弱教師付きポイントクラウドセグメンテーション法を提案する。
ScanNet と S3DIS のベンチマークでは,最先端の ScanNet と S3DIS のベンチマークでは 4% から 6% の mIoU を達成している。
論文 参考訳(メタデータ) (2023-12-27T14:01:35Z) - Large-scale Point Cloud Registration Based on Graph Matching
Optimization [30.92028761652611]
アンダーライン最適化に基づくアンダーライングラフアンダーラインマッチングを提案する。
提案手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークで評価されている。
論文 参考訳(メタデータ) (2023-02-12T03:29:35Z) - Data Augmentation-free Unsupervised Learning for 3D Point Cloud
Understanding [61.30276576646909]
ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。
我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
論文 参考訳(メタデータ) (2022-10-06T10:18:16Z) - PointMatch: A Consistency Training Framework for Weakly Supervised
Semantic Segmentation of 3D Point Clouds [117.77841399002666]
本稿では,データ自体から十分な情報を探索するために整合性正規化を適用することで,データとラベルの両面に立つ新しいフレームワークであるPointMatchを提案する。
提案したPointMatchは、ScanNet-v2データセットとS3DISデータセットの両方で、様々な弱い教師付きスキームの下で最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-02-22T07:26:31Z) - Guided Point Contrastive Learning for Semi-supervised Point Cloud
Semantic Segmentation [90.2445084743881]
そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群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を提案する。
近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
論文 参考訳(メタデータ) (2021-10-15T16:38:54Z) - Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
意味点クラウドセグメンテーションネットワークをトレーニングする。
同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。
ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文 参考訳(メタデータ) (2021-07-23T14:34:57Z) - Investigate Indistinguishable Points in Semantic Segmentation of 3D
Point Cloud [34.414363402029984]
区別不能な点は、複雑な境界に位置する点と、類似した局所的なテクスチャを持つ点と、小さな硬い領域を分離する点からなる。
階層的セマンティック特徴を利用して,識別不能な点を適応的に選択する,識別不能な領域フォカライゼーションネットワーク(IAF-Net)を提案する。
IAF-Netは、いくつかの人気の3Dポイントクラウドデータセットで最先端のパフォーマンスで同等の結果を達成します。
論文 参考訳(メタデータ) (2021-03-18T15:54:59Z) - SOE-Net: A Self-Attention and Orientation Encoding Network for Point
Cloud based Place Recognition [50.9889997200743]
我々は、自己アテンション・指向性符号化ネットワーク(SOE-Net)を用いて、ポイントクラウドデータから位置認識する問題に取り組む。
SOE-Netは、ポイント間の関係を完全に探求し、長距離コンテキストをポイントワイドなローカル記述子に組み込む。
様々なベンチマークデータセットの実験では、現在の最先端アプローチよりも提案したネットワークの性能が優れていることが示されている。
論文 参考訳(メタデータ) (2020-11-24T22:28:25Z) - Semantic Graph Based Place Recognition for 3D Point Clouds [22.608115489674653]
本稿では,位置認識のためのセマンティックグラフに基づく新しいアプローチを提案する。
まず、ポイントクラウドシーンのための新しいセマンティックグラフ表現を提案する。
次に、その類似性を計算するために、高速で効果的なグラフ類似性ネットワークを設計する。
論文 参考訳(メタデータ) (2020-08-26T09:27:26Z)
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。