論文の概要: Hypergraph Convolutional Network based Weakly Supervised Point Cloud
Semantic Segmentation with Scene-Level Annotations
- arxiv url: http://arxiv.org/abs/2211.01174v1
- Date: Wed, 2 Nov 2022 14:49:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 14:25:28.070191
- Title: Hypergraph Convolutional Network based Weakly Supervised Point Cloud
Semantic Segmentation with Scene-Level Annotations
- Title（参考訳）: ハイパーグラフ畳み込みネットワークベース弱教師付きポイントクラウド意味セグメンテーションとシーンレベルのアノテーション
- Authors: Zhuheng Lu, Peng Zhang, Yuewei Dai, Weiqing Li, and Zhiyong Su
- Abstract要約: シーンレベルのアノテーションからポイントワイズラベルを学習する際の課題に対処するため,新たにWHCNと呼ばれるハイパーグラフ畳み込みネットワーク方式を提案する。
実験により,提案したWHCNはシーンアノテーションを用いたポイントラベルの予測に有効であることが示され,コミュニティにおける最先端の成果が得られた。
- 参考スコア（独自算出の注目度）: 6.879675320416237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud segmentation with scene-level annotations is a promising but
challenging task. Currently, the most popular way is to employ the class
activation map (CAM) to locate discriminative regions and then generate
point-level pseudo labels from scene-level annotations. However, these methods
always suffer from the point imbalance among categories, as well as the sparse
and incomplete supervision from CAM. In this paper, we propose a novel weighted
hypergraph convolutional network-based method, called WHCN, to confront the
challenges of learning point-wise labels from scene-level annotations. Firstly,
in order to simultaneously overcome the point imbalance among different
categories and reduce the model complexity, superpoints of a training point
cloud are generated by exploiting the geometrically homogeneous partition.
Then, a hypergraph is constructed based on the high-confidence superpoint-level
seeds which are converted from scene-level annotations. Secondly, the WHCN
takes the hypergraph as input and learns to predict high-precision point-level
pseudo labels by label propagation. Besides the backbone network consisting of
spectral hypergraph convolution blocks, a hyperedge attention module is learned
to adjust the weights of hyperedges in the WHCN. Finally, a segmentation
network is trained by these pseudo point cloud labels. We comprehensively
conduct experiments on the ScanNet and S3DIS segmentation datasets.
Experimental results demonstrate that the proposed WHCN is effective to predict
the point labels with scene annotations, and yields state-of-the-art results in
the community. The source code is available at
http://zhiyongsu.github.io/Project/WHCN.html.
- Abstract（参考訳）: シーンレベルのアノテーションによるポイントクラウドセグメンテーションは、有望だが難しい課題である。
現在最も一般的な方法は、クラスアクティベーションマップ(CAM)を使用して識別領域を特定し、シーンレベルのアノテーションからポイントレベルの擬似ラベルを生成することである。
しかし、これらの手法は常にカテゴリ間の点の不均衡とcamによるスパースと不完全な監督に苦しむ。
本稿では,シーンレベルのアノテーションからポイントワイズラベルを学習する際の課題に対処するため,WHCNと呼ばれる新たなハイパーグラフ畳み込みネットワーク方式を提案する。
まず、異なるカテゴリ間の点不均衡を同時に克服し、モデルの複雑さを低減するために、幾何学的に均質な分割を利用してトレーニングポイントクラウドのスーパーポイントを生成する。
次に、シーンレベルのアノテーションから変換される高信頼なスーパーポイントレベルの種に基づいてハイパーグラフを構築する。
次に、WHCNはハイパーグラフを入力とし、ラベル伝搬により高精度な点レベル擬似ラベルを予測する。
スペクトルハイパーグラフ畳み込みブロックからなるバックボーンネットワークに加えて、超エッジアテンションモジュールがwhcn内のハイパーエッジの重みを調整するために学習される。
最後に、セグメンテーションネットワークはこれらの擬似点クラウドラベルによって訓練される。
ScanNetとS3DISセグメンテーションデータセットの実験を包括的に実施する。
実験により,提案したWHCNはシーンアノテーションを用いたポイントラベルの予測に有効であることが示され,コミュニティにおける最先端の結果が得られた。
ソースコードはhttp://zhiyongsu.github.io/project/whcn.htmlで入手できる。
関連論文リスト
- 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) - 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) - 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) - Weakly Supervised Semantic Segmentation for Large-Scale Point Cloud [69.36717778451667]
大規模な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既存の方法は、高価な、退屈でエラーを起こしやすい手動のポイントワイドアノテーションを必要とする。
この問題を解決するために,2つのコンポーネントを含む効果的な弱教師付き手法を提案する。
実験結果から,既存の弱教師付き手法と完全教師付き手法を比較検討した。
論文 参考訳（メタデータ） (2022-12-09T09:42:26Z) - 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) - 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) - 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) - Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation
on Point Clouds [67.0904905172941]
本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。
私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
論文 参考訳（メタデータ） (2020-03-29T14:13:29Z)
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。