論文の概要: Towards Robust Few-shot Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2309.11228v1
• Date: Wed, 20 Sep 2023 11:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 16:19:23.033576
• Title: Towards Robust Few-shot Point Cloud Semantic Segmentation
• Title（参考訳）: クラウドセマンティクスセグメンテーションのロバスト化に向けて
• Authors: Yating Xu, Na Zhao, Gim Hee Lee
• Abstract要約: ショットポイントのクラウドセマンティックセグメンテーションは、少数のサポートセットのサンプルだけで、新しい見えないクラスに迅速に適応するようにモデルをトレーニングすることを目的としている。 本稿では,識別的特徴表現を学習するためのコンポーネントレベルクリーンノイズ分離(CCNS)表現学習を提案する。 また,MDNS(Multi-scale Degree-based Noise Suppression)方式を提案する。
• 参考スコア（独自算出の注目度）: 57.075074484313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot point cloud semantic segmentation aims to train a model to quickly adapt to new unseen classes with only a handful of support set samples. However, the noise-free assumption in the support set can be easily violated in many practical real-world settings. In this paper, we focus on improving the robustness of few-shot point cloud segmentation under the detrimental influence of noisy support sets during testing time. To this end, we first propose a Component-level Clean Noise Separation (CCNS) representation learning to learn discriminative feature representations that separates the clean samples of the target classes from the noisy samples. Leveraging the well separated clean and noisy support samples from our CCNS, we further propose a Multi-scale Degree-based Noise Suppression (MDNS) scheme to remove the noisy shots from the support set. We conduct extensive experiments on various noise settings on two benchmark datasets. Our results show that the combination of CCNS and MDNS significantly improves the performance. Our code is available at https://github.com/Pixie8888/R3DFSSeg.
• Abstract（参考訳）: 数少ないポイントクラウドセマンティクスセグメンテーションは、少数のサポートセットサンプルしか持たない新しいunseenクラスに迅速に適応するようにモデルをトレーニングすることを目的としている。 しかし,多くの現実的な環境において,サポートセットのノイズフリーな仮定は容易に破ることができる。 本稿では,テスト時間におけるノイズ支援セットの有害な影響を受けながら,少数点クラウドセグメンテーションの堅牢性向上に焦点をあてる。 そこで我々はまず,対象クラスのクリーンなサンプルをノイズのあるサンプルから分離する識別的特徴表現を学習するために,CCNS(Component-level Clean Noise separation)表現学習を提案する。 我々は,ccnsから分離したクリーンおよびノイズサポートサンプルを活用して,マルチスケールのレベルベースノイズ抑圧(mdns)方式を提案し,そのサポートセットからノイズショットを除去する。 2つのベンチマークデータセット上で、様々なノイズ設定に関する広範な実験を行う。 その結果,CCNSとMDNSの組み合わせは性能を著しく向上させることがわかった。 私たちのコードはhttps://github.com/pixie8888/r3dfsegで入手できる。

関連論文リスト

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Neighborhood Collective Estimation for Noisy Label Identification and Correction [92.20697827784426]
  ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。 近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。 提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
  論文  参考訳（メタデータ） (2022-08-05T14:47:22Z)
• Identifying Hard Noise in Long-Tailed Sample Distribution [76.16113794808001]
  NLT(Noisy Long-Tailed Classification)を紹介する。 ほとんどのノイズ除去法は、ハードノイズを特定するのに失敗する。 我々はH2E(Hard-to-Easy)と呼ばれる反復的な雑音学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-07-27T09:03:03Z)
• ProMix: Combating Label Noise via Maximizing Clean Sample Utility [18.305972075220765]
  ProMixは、パフォーマンス向上のためのクリーンサンプルの有用性を最大化するフレームワークである。 CIFAR-Nデータセットの平均2.48%の改善を実現している。
  論文  参考訳（メタデータ） (2022-07-21T03:01:04Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)
• Differentiable Manifold Reconstruction for Point Cloud Denoising [23.33652755967715]
  3次元点雲は、取得装置の固有の制限のため、ノイズによって乱されることが多い。 雑音のある点の雲の基底多様体を、異なる部分標本化点から学習することを提案する。 提案手法は, 合成雑音と実環境騒音の両面において, 最先端の復調法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2020-07-27T13:31:41Z)
• PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling [39.36827481232841]
  本稿では,ロバストポイントクラウド処理のための新しいエンドツーエンドネットワークであるPointASNLを提案する。 このアプローチの主要なコンポーネントは、アダプティブサンプリング(AS)モジュールです。 私たちのASモジュールは、ポイントクラウドの機能学習の恩恵を受けるだけでなく、アウトレーヤのバイアス効果も緩和します。
  論文  参考訳（メタデータ） (2020-03-01T14:04:08Z)

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。