論文の概要: 3D Indoor Instance Segmentation in an Open-World

• arxiv url: http://arxiv.org/abs/2309.14338v1
• Date: Mon, 25 Sep 2023 17:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-26 12:37:29.129364
• Title: 3D Indoor Instance Segmentation in an Open-World
• Title（参考訳）: オープンワールドにおける3次元屋内インスタンスセグメンテーション
• Authors: Mohamed El Amine Boudjoghra, Salwa K. Al Khatib, Jean Lahoud, Hisham Cholakkal, Rao Muhammad Anwer, Salman Khan, Fahad Khan
• Abstract要約: 本稿では,学習中に擬似ラベルを生成するために,自動ラベル作成方式を用いたオープンワールド3D屋内インスタンスセグメンテーション手法を提案する。 また,本研究では,本質的な対象分布と地域別屋内シーン探索に基づいて,現実的なシナリオを生かしたオープンワールド分割を慎重に実施する。
• 参考スコア（独自算出の注目度）: 38.395515007410445
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing 3D instance segmentation methods typically assume that all semantic classes to be segmented would be available during training and only seen categories are segmented at inference. We argue that such a closed-world assumption is restrictive and explore for the first time 3D indoor instance segmentation in an open-world setting, where the model is allowed to distinguish a set of known classes as well as identify an unknown object as unknown and then later incrementally learning the semantic category of the unknown when the corresponding category labels are available. To this end, we introduce an open-world 3D indoor instance segmentation method, where an auto-labeling scheme is employed to produce pseudo-labels during training and induce separation to separate known and unknown category labels. We further improve the pseudo-labels quality at inference by adjusting the unknown class probability based on the objectness score distribution. We also introduce carefully curated open-world splits leveraging realistic scenarios based on inherent object distribution, region-based indoor scene exploration and randomness aspect of open-world classes. Extensive experiments reveal the efficacy of the proposed contributions leading to promising open-world 3D instance segmentation performance.
• Abstract（参考訳）: 既存の3Dインスタンスのセグメンテーションメソッドは通常、トレーニング中にセグメンテーションされるすべてのセグメンテーションクラスが利用可能であり、参照されたカテゴリのみが推論時にセグメンテーションされると仮定する。 このようなクローズドワールドの仮定は制約的であり、オープンワールドの3次元屋内インスタンスセグメンテーションにおいて、モデルが既知のクラスを識別し、未知のオブジェクトを未知のものとして識別し、その後、対応するカテゴリラベルが利用可能になった時点で未知のセマンティックカテゴリを漸進的に学習することが許される。 そこで本研究では,学習中に擬似ラベルを生成し,未知のカテゴリラベルと未知のラベルを分離させる自動ラベル方式を用いた,オープンワールドの3d屋内インスタンスセグメンテーション手法を提案する。 対象度スコア分布に基づいて未知のクラス確率を調整することにより、推論時の擬似ラベルの品質をさらに向上する。 また,内在的オブジェクト分布に基づく現実的なシナリオ,地域ベース屋内シーン探索,オープンワールドクラスのランダム性を活用したオープンワールド分割についても紹介する。 広範な実験により、open-world 3dインスタンスのセグメンテーション性能を約束する貢献の有効性が明らかになった。

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)
• Open-World Semantic Segmentation Including Class Similarity [31.799000996671975]
  本論文は, オープンワールドのセマンティックセマンティックセグメンテーション, すなわち, トレーニング中に未確認の物体を解釈する画像データの変種に対処する。 本稿では,クローズドワールドのセマンティックセグメンテーションを正確に行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-12T11:11:19Z)
• SegPrompt: Boosting Open-world Segmentation via Category-level Prompt Learning [49.17344010035996]
  オープンワールドインスタンスセグメンテーション(OWIS)モデルは、クラスに依存しない方法で未知のオブジェクトを検出する。 以前のOWISは、未知のオブジェクトに一般化するモデルの能力を維持するために、トレーニング中のカテゴリ情報を完全に消去するアプローチだった。 そこで本研究では,モデルのクラスに依存しないセグメンテーション能力を改善するためにカテゴリ情報を利用するSegPromptと呼ばれる新しいトレーニング機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T11:25:39Z)
• OpenMask3D: Open-Vocabulary 3D Instance Segmentation [84.58747201179654]
  OpenMask3Dはオープンな3Dインスタンスセグメンテーションのためのゼロショットアプローチである。 私たちのモデルは、CLIPベースの画像埋め込みのマルチビュー融合により、マスクごとの特徴を集約する。
  論文  参考訳（メタデータ） (2023-06-23T17:36:44Z)
• Open World Classification with Adaptive Negative Samples [89.2422451410507]
  オープンワールド分類は、自然言語処理における重要な実践的妥当性と影響を伴う課題である。 そこで本研究では, アンダーライン適応型アンダーラインアンプ (ANS) に基づいて, 学習段階における効果的な合成オープンカテゴリサンプルを生成する手法を提案する。 ANSは最先端の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） (2023-03-09T21:12:46Z)
• ElC-OIS: Ellipsoidal Clustering for Open-World Instance Segmentation on LiDAR Data [13.978966783993146]
  オープンワールドインスタンス(OIS)は、現在の観察に現れるすべてのオブジェクトインスタンスを正確に分割することを目的とした、難しいタスクである。 これは、堅牢な自律ナビゲーションのような安全クリティカルなアプリケーションにとって重要である。 我々は、LiDARポイントクラウドのための柔軟で効果的なOISフレームワークを提案し、既知のインスタンスと未知のインスタンスの両方を正確に分割できる。
  論文  参考訳（メタデータ） (2023-03-08T03:22:11Z)
• Segmenting Known Objects and Unseen Unknowns without Prior Knowledge [86.46204148650328]
  全体論的セグメンテーションは、目に見えない未知のカテゴリのオブジェクトを、それに関する事前の知識なしにインスタンスに識別し、分離することを目的としている。 U3HSでは、未知の領域を極めて不確実な領域として見つけ、対応するインスタンス認識の埋め込みを個々のオブジェクトにクラスタ化する。 MS、Cityscapes、Lost&Foundの公開データに関する実験は、U3HSの有効性を実証している。
  論文  参考訳（メタデータ） (2022-09-12T16:59:36Z)

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。