論文の概要: Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation

• arxiv url: http://arxiv.org/abs/2210.05534v1
• Date: Tue, 11 Oct 2022 15:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:30:00.476757
• Title: Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation
• Title（参考訳）: 弱教師付き3次元インスタンス分割のためのスーパーポイント間親和性学習
• Authors: Linghua Tang and Le Hui and Jin Xie
• Abstract要約: 本稿では,各インスタンスに1点だけアノテートすることで,優れたパフォーマンスを実現する3Dインスタンスセグメンテーションフレームワークを提案する。 本手法は,弱教師付きポイントクラウドインスタンスセグメンテーションタスクにおける最先端性能を実現し,完全教師付き手法よりも優れる。
• 参考スコア（独自算出の注目度）: 10.968271388503986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the few annotated labels of 3D point clouds, how to learn discriminative features of point clouds to segment object instances is a challenging problem. In this paper, we propose a simple yet effective 3D instance segmentation framework that can achieve good performance by annotating only one point for each instance. Specifically, to tackle extremely few labels for instance segmentation, we first oversegment the point cloud into superpoints in an unsupervised manner and extend the point-level annotations to the superpoint level. Then, based on the superpoint graph, we propose an inter-superpoint affinity mining module that considers the semantic and spatial relations to adaptively learn inter-superpoint affinity to generate high-quality pseudo labels via semantic-aware random walk. Finally, we propose a volume-aware instance refinement module to segment high-quality instances by applying volume constraints of objects in clustering on the superpoint graph. Extensive experiments on the ScanNet-v2 and S3DIS datasets demonstrate that our method achieves state-of-the-art performance in the weakly supervised point cloud instance segmentation task, and even outperforms some fully supervised methods.
• Abstract（参考訳）: 3dポイントクラウドの注釈付きラベルが少ないため、ポイントクラウドの識別的特徴を学習してオブジェクトインスタンスをセグメンテーションする方法は難しい問題である。 本稿では,各インスタンスに1点だけアノテートすることで,優れたパフォーマンスを実現するための,シンプルで効果的な3Dインスタンスセグメンテーションフレームワークを提案する。 具体的には、インスタンスセグメンテーションの非常に少ないラベルに取り組むために、まず、監督されていない方法でポイントクラウドをスーパーポイントに分割し、ポイントレベルのアノテーションをスーパーポイントレベルに拡張します。 次に、スーパーポイントグラフに基づいて、意味的および空間的関係を考慮したスーパーポイント親和性マイニングモジュールを提案し、スーパーポイント親和性を適応的に学習し、意味認識ランダムウォークによる高品質な擬似ラベルを生成する。 最後に,スーパーポイントグラフ上のクラスタリングにおいて,オブジェクトのボリューム制約を適用して高品質インスタンスをセグメント化するためのボリューム対応インスタンスリファインメントモジュールを提案する。 ScanNet-v2 と S3DIS データセットの大規模な実験により、弱教師付きポイントクラウドインスタンスセグメンテーションタスクにおいて、我々の手法が最先端の性能を達成することを示した。

関連論文リスト

• 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)
• GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds [12.597717463575478]
  そこで本研究では,3次元シーンの各点における複雑なセマンティッククラスを識別するために,GrowSPと呼ばれる教師なしの最初の手法を提案する。 提案手法は,(1)入力点雲から点ごとの特徴を学習する特徴抽出器,(2)スーパーポイントのサイズを徐々に拡大するスーパーポイントコンストラクタ,(3)スーパーポイントを意味的要素にグループ化するセマンティックプリミティブクラスタリングモジュールからなる。 提案手法を複数のデータセット上で広範囲に評価し,教師なしベースラインに対して優れた性能を示し,従来の完全教師付きポイントネットにアプローチした。
  論文  参考訳（メタデータ） (2023-05-25T18:11:21Z)
• FreePoint: Unsupervised Point Cloud Instance Segmentation [72.64540130803687]
  点クラウド上の教師なしクラス非依存のインスタンスセグメンテーションを探索するためのFreePointを提案する。 我々は、座標、色、そして自己監督の深い特徴を組み合わせることで、点の特徴を表現する。 ポイント機能に基づいて、ポイントクラウドを擬似ラベルとして粗いインスタンスマスクに分割し、ポイントクラウドインスタンスセグメンテーションモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-11T16:56:26Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  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。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision [65.19589997822155]
  我々は3Dポイントクラウドのポイントレベルのセマンティクスをバウンディングボックスレベルの監視で学習するために,Box2Segと呼ばれるニューラルアーキテクチャを導入する。 提案するネットワークは,安価な,あるいは既定のバウンディングボックスレベルのアノテーションやサブクラウドレベルのタグでトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-09T09:07:48Z)
• 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)
• SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network for 3D Indoor Scenes [6.3364439467281315]
  本稿では,SCSS-Net という名称の3次元点雲に対するスーパーポイント制約付き半教師付きセグメンテーションネットワークを提案する。 具体的には、ラベルのない点群から予測される擬似ラベルを自己学習に利用し、幾何ベースおよび色に基づく領域成長アルゴリズムによって生成されたスーパーポイントを組み合わせて、疑似ラベルを低信頼で修正・削除する。
  論文  参考訳（メタデータ） (2021-07-08T04:43:21Z)
• SSPC-Net: Semi-supervised Semantic 3D Point Cloud Segmentation Network [21.818744369503197]
  SSPC-Net と呼ばれる半監視型セマンティックポイントクラウドセグメンテーションネットワークを提案する。 注釈付き3D点からラベルのない点のラベルを推定することにより意味分節ネットワークを訓練する。 本手法は,注釈付き3D点の少ない半教師付きセグメンテーション法よりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2021-04-16T02:37:27Z)
• 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。