論文の概要: ClickSeg: 3D Instance Segmentation with Click-Level Weak Annotations

• arxiv url: http://arxiv.org/abs/2307.09732v1
• Date: Wed, 19 Jul 2023 02:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:38:57.989282
• Title: ClickSeg: 3D Instance Segmentation with Click-Level Weak Annotations
• Title（参考訳）: ClickSeg: クリックレベル弱アノテーションによる3Dインスタンスセグメンテーション
• Authors: Leyao Liu, Tao Kong, Minzhao Zhu, Jiashuo Fan, Lu Fang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 29.231508413247457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D instance segmentation methods often require fully-annotated dense labels for training, which are costly to obtain. In this paper, we present ClickSeg, a novel click-level weakly supervised 3D instance segmentation method that requires one point per instance annotation merely. Such a problem is very challenging due to the extremely limited labels, which has rarely been solved before. We first develop a baseline weakly-supervised training method, which generates pseudo labels for unlabeled data by the model itself. To utilize the property of click-level annotation setting, we further propose a new training framework. Instead of directly using the model inference way, i.e., mean-shift clustering, to generate the pseudo labels, we propose to use k-means with fixed initial seeds: the annotated points. New similarity metrics are further designed for clustering. Experiments on ScanNetV2 and S3DIS datasets show that the proposed ClickSeg surpasses the previous best weakly supervised instance segmentation result by a large margin (e.g., +9.4% mAP on ScanNetV2). Using 0.02% supervision signals merely, ClickSeg achieves $\sim$90% of the accuracy of the fully-supervised counterpart. Meanwhile, it also achieves state-of-the-art semantic segmentation results among weakly supervised methods that use the same annotation settings.
• Abstract（参考訳）: 3次元のインスタンスセグメンテーション法は、訓練のために完全に注釈付けされた高密度ラベルを必要とすることが多い。 本稿では,新しいクリックレベルの弱教師付き3dインスタンスセグメンテーション法clicksegを提案する。 このような問題は、これまでほとんど解決されなかった非常に限定的なラベルのため、非常に困難である。 まず,モデル自体によるラベルなしデータの擬似ラベルを生成するベースライン弱教師付きトレーニング手法を開発する。 クリックレベルのアノテーション設定の特性を活用するために,新たなトレーニングフレームワークを提案する。 モデル推論、すなわち平均シフトクラスタリングを直接使用して擬似ラベルを生成する代わりに、固定初期シードを持つk-meansを使用するように提案する。 新しい類似度メトリクスはクラスタリングのためにさらに設計されている。 ScanNetV2とS3DISデータセットの実験では、提案されたClickSegは、大きなマージン(ScanNetV2の+9.4% mAPなど)による、これまでで最も弱い教師付きインスタンスセグメンテーション結果を上回っている。 0.02%の監視信号だけで、ClickSegは完全な監督対象の精度の90%を$\sim$90%を達成する。 一方、同じアノテーション設定を使用する弱い教師付きメソッド間で、最先端のセマンティクスセグメンテーション結果も実現している。

関連論文リスト

• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• 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)
• 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)
• 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)
• 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)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)

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。