論文の概要: BSNet: Box-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation

• arxiv url: http://arxiv.org/abs/2403.15019v1
• Date: Fri, 22 Mar 2024 08:05:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 18:18:01.698307
• Title: BSNet: Box-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation
• Title（参考訳）: BSNet:3次元インスタンスセグメンテーションのための箱型シミュレーション支援平均教師
• Authors: Jiahao Lu, Jiacheng Deng, Tianzhu Zhang,
• Abstract要約: 3Dインスタンスのセグメンテーションは重要なタスクですが、ポイントレベルのアノテーションは、完全に教師された設定では面倒です。 Box-assisted Simulation-assisted Mean Teacher for 3D Instance (BSNet)は、Transformerと呼ばれる新しい擬似ラベルを考案した。 1つ目はシミュレーション支援平均教師シミュレーションであり、このタスクで初めて平均教師を紹介している。 また,教師や学生のラベリングのためのデコーダとして,ローカル・グローバル・アウェア・アテンション(Local-Global Aware Attention)を提案する。
• 参考スコア（独自算出の注目度）: 33.58208166717537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D instance segmentation (3DIS) is a crucial task, but point-level annotations are tedious in fully supervised settings. Thus, using bounding boxes (bboxes) as annotations has shown great potential. The current mainstream approach is a two-step process, involving the generation of pseudo-labels from box annotations and the training of a 3DIS network with the pseudo-labels. However, due to the presence of intersections among bboxes, not every point has a determined instance label, especially in overlapping areas. To generate higher quality pseudo-labels and achieve more precise weakly supervised 3DIS results, we propose the Box-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation (BSNet), which devises a novel pseudo-labeler called Simulation-assisted Transformer. The labeler consists of two main components. The first is Simulation-assisted Mean Teacher, which introduces Mean Teacher for the first time in this task and constructs simulated samples to assist the labeler in acquiring prior knowledge about overlapping areas. To better model local-global structure, we also propose Local-Global Aware Attention as the decoder for teacher and student labelers. Extensive experiments conducted on the ScanNetV2 and S3DIS datasets verify the superiority of our designs. Code is available at \href{https://github.com/peoplelu/BSNet}{https://github.com/peoplelu/BSNet}.
• Abstract（参考訳）: 3Dインスタンスのセグメンテーション(3DIS)は重要なタスクですが、ポイントレベルのアノテーションは、完全に教師された設定では面倒です。 このように、アノテーションとしてバウンディングボックス(bbox)を使用することは、大きな可能性を秘めている。 現在の主流のアプローチは、2段階のプロセスであり、ボックスアノテーションから擬似ラベルを生成し、擬似ラベルで3DISネットワークをトレーニングする。 しかしながら、bbox間の交差が存在するため、特に重なり合う領域において、すべての点が決定されたインスタンスラベルを持つわけではない。 より高品質な擬似ラベルを生成し,より精度の低い3DIS結果を実現するために,シミュレーション支援トランスフォーマと呼ばれる新しい擬似ラベルを考案したBox-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation (BSNet)を提案する。 ラベルは2つの主要コンポーネントから構成される。 1つ目は、シミュレーション支援平均教師であり、これは、このタスクで初めて平均教師を紹介し、ラベラーが重複する領域に関する事前知識を取得するのを手助けするシミュレーションサンプルを構築する。 また,教師や学生のラベリングのためのデコーダとして,ローカル・グローバル・アウェア・アテンション(Local-Global Aware Attention)を提案する。 ScanNetV2とS3DISデータセットで実施された大規模な実験は、我々の設計の優位性を検証する。 コードは \href{https://github.com/Peoplelu/BSNet}{https://github.com/Peoplelu/BSNet} で入手できる。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• 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)
• Beyond the Label Itself: Latent Labels Enhance Semi-supervised Point Cloud Panoptic Segmentation [46.01433705072047]
  表示ラベルの裏側には,LiDARと画像データに埋め込まれた2種類の潜伏ラベルが存在する。 我々は、より信頼性の高いトレーニング用サンプルを拡張できる新しい拡張 Cylinder-Mix を提案する。 また、インスタンスの位置と規模に関する情報を学習し、融合するためのインスタンス位置スケール学習(IPSL)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-12-13T15:56:24Z)
• 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)
• 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)
• 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)
• 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)

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。