論文の概要: GaPro: Box-Supervised 3D Point Cloud Instance Segmentation Using
Gaussian Processes as Pseudo Labelers
- arxiv url: http://arxiv.org/abs/2307.13251v1
- Date: Tue, 25 Jul 2023 04:43:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 18:27:05.914226
- Title: GaPro: Box-Supervised 3D Point Cloud Instance Segmentation Using
Gaussian Processes as Pseudo Labelers
- Title(参考訳): GaPro: 擬似ラベルとしてガウスプロセスを用いた3Dポイントクラウドインスタンスセグメンテーション
- Authors: Tuan Duc Ngo, Binh-Son Hua, Khoi Nguyen
- Abstract要約: GaProは軸方向の3Dバウンディングボックス管理を使用して、3Dポイントクラウドのための新しいインスタンスセグメンテーションである。
2段階のアプローチでは、ボックスアノテーションから擬似ラベルを生成し、3DISネットワークをトレーニングします。
実験の結果,GaProは従来の弱教師付き3Dインスタンスセグメンテーション法よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 14.88505076974645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instance segmentation on 3D point clouds (3DIS) is a longstanding challenge
in computer vision, where state-of-the-art methods are mainly based on full
supervision. As annotating ground truth dense instance masks is tedious and
expensive, solving 3DIS with weak supervision has become more practical. In
this paper, we propose GaPro, a new instance segmentation for 3D point clouds
using axis-aligned 3D bounding box supervision. Our two-step approach involves
generating pseudo labels from box annotations and training a 3DIS network with
the resulting labels. Additionally, we employ the self-training strategy to
improve the performance of our method further. We devise an effective Gaussian
Process to generate pseudo instance masks from the bounding boxes and resolve
ambiguities when they overlap, resulting in pseudo instance masks with their
uncertainty values. Our experiments show that GaPro outperforms previous weakly
supervised 3D instance segmentation methods and has competitive performance
compared to state-of-the-art fully supervised ones. Furthermore, we demonstrate
the robustness of our approach, where we can adapt various state-of-the-art
fully supervised methods to the weak supervision task by using our pseudo
labels for training. The source code and trained models are available at
https://github.com/VinAIResearch/GaPro.
- Abstract(参考訳): 3Dポイントクラウド(3DIS)上のインスタンスセグメンテーションは、コンピュータビジョンにおける長年の課題である。
接頭辞として、高密度なインスタンスマスクは面倒で高価であるため、監督の弱い3DISの解決はより実践的になっている。
本稿では,軸方向の3Dバウンディングボックス管理を用いた3次元点雲の新しいインスタンスセグメンテーションであるGaProを提案する。
2段階のアプローチでは、ボックスアノテーションから擬似ラベルを生成し、3DISネットワークをトレーニングします。
さらに,本手法の性能をさらに向上させるために,自己学習戦略を用いる。
我々は,境界ボックスから擬似インスタンスマスクを生成し,重なり合うとあいまいさを解消し,疑似インスタンスマスクを不確実な値で生成する有効なガウス過程を考案した。
実験の結果,gaproは従来の弱い教師付き3dインスタンスセグメンテーション法を上回っており,最先端の教師付きインスタンスに比べて競争力が高いことがわかった。
さらに,本手法のロバスト性を示すとともに,擬似ラベルをトレーニングに用いることにより,様々な最先端の完全教師付き手法を弱監督タスクに適用できることを示す。
ソースコードとトレーニングされたモデルはhttps://github.com/vinairesearch/gaproで入手できる。
関連論文リスト
- MWSIS: Multimodal Weakly Supervised Instance Segmentation with 2D Box
Annotations for Autonomous Driving [13.08936676096554]
我々はMultimodal Weakly Supervised Instance (MWSIS)と呼ばれる新しいフレームワークを提案する。
MWSISは、様々な細粒度ラベルの生成と修正モジュールを2Dと3Dの両方に組み込んでいる。
完全に教師されたインスタンスセグメンテーションよりも優れており、完全に教師されたアノテーションはわずか5%である。
論文 参考訳(メタデータ) (2023-12-12T05:12:22Z) - When 3D Bounding-Box Meets SAM: Point Cloud Instance Segmentation with
Weak-and-Noisy Supervision [20.625754683390536]
本稿では,CIP-WPIS法を提案する。
2次元基礎モデルSAMと3次元幾何に埋め込まれた事前学習知識を活用し、正確なポイントワイズ・インスタンス・ラベルを実現する。
提案手法は,ノイズの多い3次元境界ボックスアノテーションに対して頑健であり,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-09-02T05:17:03Z) - 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) - Weakly Supervised Monocular 3D Object Detection using Multi-View
Projection and Direction Consistency [78.76508318592552]
モノクロ3Dオブジェクト検出は、その容易なアプリケーションのための自動駆動において、主流のアプローチとなっている。
現在のほとんどの方法は、トレーニングフェーズで使用される真実をラベル付けするために、まだ3Dポイントのクラウドデータに依存しています。
画像にマークされた2次元ラベルだけでモデルを訓練できる,弱教師付きモノクル3次元オブジェクト検出法を提案する。
論文 参考訳(メタデータ) (2023-03-15T15:14:00Z) - Image Understands Point Cloud: Weakly Supervised 3D Semantic
Segmentation via Association Learning [59.64695628433855]
ラベルのない画像から補完的な情報を取り入れた3次元セグメンテーションのための新しいクロスモダリティ弱教師付き手法を提案する。
基本的に、ラベルの小さな部分のパワーを最大化するために、アクティブなラベリング戦略を備えたデュアルブランチネットワークを設計する。
提案手法は,1%未満のアクティブなアノテーションで,最先端の完全教師付き競合よりも優れていた。
論文 参考訳(メタデータ) (2022-09-16T07:59:04Z) - 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) - Box2Mask: Weakly Supervised 3D Semantic Instance Segmentation Using
Bounding Boxes [38.60444957213202]
弱教師付き3Dセマンティックインスタンスセグメンテーションについて検討する。
キーとなるアイデアは、3Dバウンディングボックスラベルを活用することだ。
境界ボックスラベルのみを用いて高密度セグメンテーションモデルを訓練することが可能であることを示す。
論文 参考訳(メタデータ) (2022-06-02T17:59:57Z) - Dense Supervision Propagation for Weakly Supervised Semantic
Segmentation on 3D Point Clouds [54.12402068922005]
意味点クラウドセグメンテーションネットワークをトレーニングする。
同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。
ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
論文 参考訳(メタデータ) (2021-07-23T14:34:57Z)
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。