論文の概要: CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2307.10316v1
• Date: Wed, 19 Jul 2023 04:41:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 16:06:49.497368
• Title: CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation
• Title（参考訳）: CPCM: 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ためのコンテキストポイントクラウドモデリング
• Authors: Lizhao Liu, Zhuangwei Zhuang, Shangxin Huang, Xunlong Xiao, Tianhang Xiang, Cen Chen, Jingdong Wang and Mingkui Tan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.0893353960514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the task of weakly-supervised point cloud semantic segmentation with sparse annotations (e.g., less than 0.1% points are labeled), aiming to reduce the expensive cost of dense annotations. Unfortunately, with extremely sparse annotated points, it is very difficult to extract both contextual and object information for scene understanding such as semantic segmentation. Motivated by masked modeling (e.g., MAE) in image and video representation learning, we seek to endow the power of masked modeling to learn contextual information from sparsely-annotated points. However, directly applying MAE to 3D point clouds with sparse annotations may fail to work. First, it is nontrivial to effectively mask out the informative visual context from 3D point clouds. Second, how to fully exploit the sparse annotations for context modeling remains an open question. In this paper, we propose a simple yet effective Contextual Point Cloud Modeling (CPCM) method that consists of two parts: a region-wise masking (RegionMask) strategy and a contextual masked training (CMT) method. Specifically, RegionMask masks the point cloud continuously in geometric space to construct a meaningful masked prediction task for subsequent context learning. CMT disentangles the learning of supervised segmentation and unsupervised masked context prediction for effectively learning the very limited labeled points and mass unlabeled points, respectively. Extensive experiments on the widely-tested ScanNet V2 and S3DIS benchmarks demonstrate the superiority of CPCM over the state-of-the-art.
• Abstract（参考訳）: 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マンティックセマンティクス(例えば、0.1%未満のポイントがラベル付けされている)の課題は、高額なアノテーションのコスト削減を目的としている。 残念なことに、非常に少ないアノテートポイントでは、セマンティックセグメンテーションのようなシーン理解のためにコンテキスト情報とオブジェクト情報を抽出することは極めて困難である。 画像および映像表現学習におけるマスクドモデリング(例えば、MAE)の動機付けにより、マスクドモデリングの力を利用して、疎注釈の点から文脈情報を学ぶ。 しかし、3Dポイントのクラウドに直接MAEを適用すると、アノテーションの少ないものがうまくいかないかもしれない。 まず、3Dポイントの雲から情報的視覚的コンテキストを効果的に隠蔽するのは簡単ではない。 第二に、コンテキストモデリングのためのスパースアノテーションを完全に活用する方法は、未解決の問題である。 本稿では,地域別マスキング(region-wise masking, regionmask)戦略とcmt(contextual masked training)手法の2つの部分からなる,単純かつ効果的な文脈的ポイントクラウドモデリング(cpcm)手法を提案する。 特に、リージョンマスクは幾何学空間において連続的に点雲をマスクし、後続の文脈学習のための有意義なマスク予測タスクを構築する。 cmtは教師付きセグメンテーションの学習と教師なしマスク付きコンテキスト予測を区別し、非常に制限されたラベル付きポイントとマス・ラベル付きポイントを効果的に学習する。 広くテストされているScanNet V2とS3DISベンチマークの大規模な実験は、CPCMが最先端技術よりも優れていることを示している。

関連論文リスト

• 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)
• PointDC:Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering [32.18716273358168]
  我々は、ポイントクラウドの完全な教師なしセマンティックセマンティックセグメンテーションの最初の試みを行う。 本稿では,上記の問題に対処する2つのステップからなる新しいフレームワークであるPointDCを提案する。 PointDCは、従来の最先端の教師なし手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-18T12:58:21Z)
• Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
  Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。 我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
  論文  参考訳（メタデータ） (2023-03-29T10:08:29Z)
• 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)
• Masked Discrimination for Self-Supervised Learning on Point Clouds [27.652157544218234]
  マスク付きオートエンコーディングは、画像と言語領域における自己教師型学習において大きな成功を収めた。 PointNetのような標準的なバックボーンは、トレーニング中にマスクによって導入された分散ミスマッチのトレーニングとテストのミスマッチを適切に処理できない。 我々はこのギャップを、ポイントクラウドのための差別マスク事前学習フレームワークMaskPointを提案し、橋渡しする。
  論文  参考訳（メタデータ） (2022-03-21T17:57:34Z)
• 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)
• 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)

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。