論文の概要: FreePoint: Unsupervised Point Cloud Instance Segmentation

• arxiv url: http://arxiv.org/abs/2305.06973v1
• Date: Thu, 11 May 2023 16:56:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-12 13:55:51.831449
• Title: FreePoint: Unsupervised Point Cloud Instance Segmentation
• Title（参考訳）: freepoint: 教師なしのpoint cloudインスタンスセグメンテーション
• Authors: Zhikai Zhang, Jian Ding, Li Jiang, Dengxin Dai, Gui-Song Xia
• Abstract要約: 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手法として,FreePointを提案する。 我々は、座標、色、正規、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。 私たちの作業は、限定アノテーションによる教師付きセマンティックインスタンスセグメンテーションのための教師なし事前トレーニングの前提としても機能します。
• 参考スコア（独自算出の注目度）: 53.62801405724642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance segmentation of point clouds is a crucial task in 3D field with numerous applications that involve localizing and segmenting objects in a scene. However, achieving satisfactory results requires a large number of manual annotations, which is a time-consuming and expensive process. To alleviate dependency on annotations, we propose a method, called FreePoint, for underexplored unsupervised class-agnostic instance segmentation on point clouds. In detail, we represent the point features by combining coordinates, colors, normals, and self-supervised deep features. Based on the point features, we perform a multicut algorithm to segment point clouds into coarse instance masks as pseudo labels, which are used to train a point cloud instance segmentation model. To alleviate the inaccuracy of coarse masks during training, we propose a weakly-supervised training strategy and corresponding loss. Our work can also serve as an unsupervised pre-training pretext for supervised semantic instance segmentation with limited annotations. For class-agnostic instance segmentation on point clouds, FreePoint largely fills the gap with its fully-supervised counterpart based on the state-of-the-art instance segmentation model Mask3D and even surpasses some previous fully-supervised methods. When serving as a pretext task and fine-tuning on S3DIS, FreePoint outperforms training from scratch by 5.8% AP with only 10% mask annotations.
• Abstract（参考訳）: ポイントクラウドのインスタンスセグメンテーションは、シーン内のオブジェクトのローカライズとセグメンテーションを含む多くのアプリケーションで、3Dフィールドにおいて重要なタスクである。 しかし、十分な結果を達成するには、多くの手動のアノテーションが必要です。 アノテーションへの依存を軽減するため、ポイント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FreePointという手法を提案する。 具体的には,座標,色,正規値,自己教師付き深層特徴を組み合わせることで,点特徴を表現する。 ポイント特徴に基づいて、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するマルチカットアルゴリズムを実行し、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。 トレーニング中の粗いマスクの不正確さを軽減するため,弱い教師付きトレーニング戦略とそれに対応する損失を提案する。 私たちの作業は、限定されたアノテーションによるセマンティックインスタンスセグメンテーションの教師なし事前学習プリテキストとしても機能します。 ポイントクラウド上のクラスに依存しないインスタンスセグメンテーションでは、FreePointは最先端のインスタンスセグメンテーションモデルMask3Dに基づいて、完全に教師されたメソッドとギャップを埋める。 プリテキストタスクとして機能し、S3DISの微調整を行う場合、FreePointはトレーニングをスクラッチから5.8%APで上回り、マスクアノテーションは10%に過ぎない。

関連論文リスト

• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation [60.0893353960514]
  疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T04:41:18Z)
• Few-Shot 3D Point Cloud Semantic Segmentation via Stratified Class-Specific Attention Based Transformer Network [22.9434434107516]
  数ショットのクラウドセマンティックセマンティックセグメンテーションのための新しい多層トランスフォーマーネットワークを開発した。 提案手法は,既存の数ショットの3Dポイントクラウドセグメンテーションモデルよりも15%少ない推論時間で,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-28T00:27:54Z)
• 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)
• Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation [10.968271388503986]
  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。
  論文  参考訳（メタデータ） (2022-10-11T15:22:22Z)
• 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)
• LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud Segmentation [19.915593390338337]
  本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。 提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
  論文  参考訳（メタデータ） (2021-03-16T15:58:01Z)
• 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)
• Weakly Supervised Semantic Point Cloud Segmentation:Towards 10X Fewer Labels [77.65554439859967]
  トレーニング段階でラベル付けされるポイントのごく一部しか必要としない,弱教師付きポイントクラウドセグメンテーション手法を提案する。 実験は3つの公開データセットで行われ、監督の度合いが異なる。
  論文  参考訳（メタデータ） (2020-04-08T16:14:41Z)

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。