論文の概要: Few-Shot Point Cloud Semantic Segmentation via Contrastive
Self-Supervision and Multi-Resolution Attention
- arxiv url: http://arxiv.org/abs/2302.10501v1
- Date: Tue, 21 Feb 2023 07:59:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-22 15:56:23.679857
- Title: Few-Shot Point Cloud Semantic Segmentation via Contrastive
Self-Supervision and Multi-Resolution Attention
- Title（参考訳）: 対比自己スーパービジョンとマルチリゾリューションアテンションによるFew-Shot Point Cloud Semantic Segmentation
- Authors: Jiahui Wang, Haiyue Zhu, Haoren Guo, Abdullah Al Mamun, Cheng Xiang
and Tong Heng Lee
- Abstract要約: 数発の学習事前学習のための対照的な自己超越フレームワークを提案する。
具体的には、3Dポイントクラウドのための学習可能な拡張子を用いて、新しいコントラスト学習アプローチを実装した。
最接近点と最遠点の両方を用いて多分解能アテンションモジュールを開発し,局所点と大域点の情報をより効率的に抽出する。
- 参考スコア（独自算出の注目度）: 6.350163959194903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an effective few-shot point cloud semantic segmentation
approach for real-world applications. Existing few-shot segmentation methods on
point cloud heavily rely on the fully-supervised pretrain with large annotated
datasets, which causes the learned feature extraction bias to those pretrained
classes. However, as the purpose of few-shot learning is to handle
unknown/unseen classes, such class-specific feature extraction in pretrain is
not ideal to generalize into new classes for few-shot learning. Moreover, point
cloud datasets hardly have a large number of classes due to the annotation
difficulty. To address these issues, we propose a contrastive self-supervision
framework for few-shot learning pretrain, which aims to eliminate the feature
extraction bias through class-agnostic contrastive supervision. Specifically,
we implement a novel contrastive learning approach with a learnable augmentor
for a 3D point cloud to achieve point-wise differentiation, so that to enhance
the pretrain with managed overfitting through the self-supervision.
Furthermore, we develop a multi-resolution attention module using both the
nearest and farthest points to extract the local and global point information
more effectively, and a center-concentrated multi-prototype is adopted to
mitigate the intra-class sparsity. Comprehensive experiments are conducted to
evaluate the proposed approach, which shows our approach achieves
state-of-the-art performance. Moreover, a case study on practical CAM/CAD
segmentation is presented to demonstrate the effectiveness of our approach for
real-world applications.
- Abstract（参考訳）: 本稿では,実世界のアプリケーションに対して有効なクラウドセマンティクスセグメンテーション手法を提案する。
ポイントクラウド上の既存の少数ショットセグメンテーションメソッドは、大規模な注釈付きデータセットによる完全な教師付き事前トレーニングに大きく依存している。
しかし,数発学習の目的は未知/未知のクラスを扱うため,事前学習におけるクラス固有の特徴抽出は,数発学習のために新しいクラスに一般化することが理想的ではない。
さらに、アノテーションの難しさのため、ポイントクラウドデータセットには多数のクラスがほとんどありません。
これらの課題に対処するために,クラス非依存のコントラスト監視による特徴抽出バイアスを解消することを目的とした,数発の学習事前訓練のためのコントラッシブ・セルフスーパービジョン・フレームワークを提案する。
具体的には,3dポイントクラウドのための学習可能な拡張子を用いた,新しいコントラスト学習手法を実装し,自己スーパービジョンによる管理オーバーフィットによる事前トレーニングを強化する。
さらに,最も近い点と最も遠い点の両方を用いて,より効果的に局所的および大域的な点情報を抽出するマルチレゾリューションアテンションモジュールを開発し,センタ集中型マルチプロトタイプを用いてクラス内スパーシティを緩和する。
提案手法を総合的に評価し,本手法が最先端の性能を実現することを示す。
さらに,本手法の有効性を示すために,実用的なcam/cadセグメンテーションに関する事例研究を行った。
関連論文リスト
- Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。
PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。
本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
論文 参考訳（メタデータ） (2024-11-22T05:41:00Z) - Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。
ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。
提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
論文 参考訳（メタデータ） (2024-03-31T12:22:23Z) - PointMoment:Mixed-Moment-based Self-Supervised Representation Learning
for 3D Point Clouds [11.980787751027872]
我々は,ポイントクラウドによる自己教師型表現学習のための新しいフレームワークであるPointMomentを提案する。
我々のフレームワークは、非対称ネットワークアーキテクチャや勾配停止など特別な技術を必要としない。
論文 参考訳（メタデータ） (2023-12-06T08:49:55Z) - Point Contrastive Prediction with Semantic Clustering for
Self-Supervised Learning on Point Cloud Videos [71.20376514273367]
本稿では,オブジェクト中心およびシーン中心のデータを対象とした一元的クラウドビデオ自己教師型学習フレームワークを提案する。
本手法は、広範囲の下流タスクにおいて教師付きタスクよりも優れる。
論文 参考訳（メタデータ） (2023-08-18T02:17:47Z) - Multi-View Class Incremental Learning [57.14644913531313]
マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。
本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
論文 参考訳（メタデータ） (2023-06-16T08:13:41Z) - LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。
本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。
提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
論文 参考訳（メタデータ） (2022-10-14T19:13:36Z) - Unsupervised Learning on 3D Point Clouds by Clustering and Contrasting [11.64827192421785]
教師なし表現学習は、人間の介入なしに機能を自動抽出するための有望な方向である。
本稿では、ポイントワイドおよびグローバルな特徴の学習を行うために、textbfConClu という、一般的な教師なしアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-05T12:54:17Z) - 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) - Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。
特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。
本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文 参考訳（メタデータ） (2021-10-13T10:52:45Z) - Self-Supervised Few-Shot Learning on Point Clouds [18.528929583956725]
近年、ラベル付きポイントクラウド上で動作するディープニューラルネットワークは、分類やセグメンテーションといった教師付き学習タスクにおいて有望な結果を示している。
点雲の階層的分割を符号化する2つの新しい自己教師型事前学習タスクを提案する。
本研究では,自己教師付き学習法で事前学習した教師あり学習法が,最先端の手法の精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2020-09-29T17:32:44Z)
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。