論文の概要: Distribution Guidance Network for Weakly Supervised Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2410.08091v1
• Date: Fri, 18 Oct 2024 08:27:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 05:25:16.822246
• Title: Distribution Guidance Network for Weakly Supervised Point Cloud Semantic Segmentation
• Title（参考訳）: 弱監視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配電誘導ネットワーク
• Authors: Zhiyi Pan, Wei Gao, Shan Liu, Ge Li,
• Abstract要約: 弱監督下で特徴空間を規制することで補助的制約を与える新しい視点を導入する。 本研究では,弱教師付き学習部と分散アライメント部とからなる分散誘導ネットワーク(DGNet)を開発した。
• 参考スコア（独自算出の注目度）: 40.17482809009576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite alleviating the dependence on dense annotations inherent to fully supervised methods, weakly supervised point cloud semantic segmentation suffers from inadequate supervision signals. In response to this challenge, we introduce a novel perspective that imparts auxiliary constraints by regulating the feature space under weak supervision. Our initial investigation identifies which distributions accurately characterize the feature space, subsequently leveraging this priori to guide the alignment of the weakly supervised embeddings. Specifically, we analyze the superiority of the mixture of von Mises-Fisher distributions (moVMF) among several common distribution candidates. Accordingly, we develop a Distribution Guidance Network (DGNet), which comprises a weakly supervised learning branch and a distribution alignment branch. Leveraging reliable clustering initialization derived from the weakly supervised learning branch, the distribution alignment branch alternately updates the parameters of the moVMF and the network, ensuring alignment with the moVMF-defined latent space. Extensive experiments validate the rationality and effectiveness of our distribution choice and network design. Consequently, DGNet achieves state-of-the-art performance under multiple datasets and various weakly supervised settings.
• Abstract（参考訳）: 完全教師付き手法に固有の高密度アノテーションへの依存を緩和するにもかかわらず、弱い教師付きポイントクラウドセマンティックセグメンテーションは、不十分な監視信号に悩まされる。 この課題に対応するために、弱い監督下で特徴空間を規制することで補助的制約を付与する新しい視点を導入する。 最初の調査では、どの分布が特徴空間を正確に特徴付けるかを特定し、その後、この優先順位を利用して弱教師付き埋め込みのアライメントを導出する。 具体的には、いくつかの共通分布候補のうち、von Mises-Fisher分布(moVMF)の混合の優越性を解析する。 そこで我々は,弱教師付き学習部と分散アライメント部から構成される分散誘導ネットワーク(DGNet)を開発した。 弱教師付き学習ブランチから導かれる信頼性の高いクラスタリング初期化を利用して、分散アライメントブランチは、moVMFとネットワークのパラメータを交互に更新し、moVMFで定義された潜在空間との整合性を確保する。 集中的な実験は、分布選択とネットワーク設計の合理性と有効性を検証する。 その結果、DGNetは複数のデータセットと様々な弱い教師付き設定の下で最先端のパフォーマンスを達成する。

関連論文リスト

• Weakly-Supervised Cross-Domain Segmentation of Electron Microscopy with Sparse Point Annotation [1.124958340749622]
  カウント,検出,セグメンテーションタスク間の相関を利用したマルチタスク学習フレームワークを提案する。 ラベル拡張のためのクロスポジションカット・アンド・ペーストを開発し,エントロピーに基づく擬似ラベル選択を行う。 提案手法は, UDA法を著しく上回り, 教師付き手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2024-03-31T12:22:23Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Adaptive Annotation Distribution for Weakly Supervised Point Cloud Semantic Segmentation [41.49585975597466]
  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適応型アノテーション分布法を提案する。 具体的には、勾配サンプリング近似解析に確率密度関数を導入する。 非一様分散スパースアノテーションによる勾配バイアスを軽減するために、勾配校正関数として乗法動的エントロピーを設計する。
  論文  参考訳（メタデータ） (2023-12-11T09:57:09Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。