論文の概要: ProtoGuard-guided PROPEL: Class-Aware Prototype Enhancement and Progressive Labeling for Incremental 3D Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2504.01648v1
• Date: Wed, 02 Apr 2025 11:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:21:24.043270
• Title: ProtoGuard-guided PROPEL: Class-Aware Prototype Enhancement and Progressive Labeling for Incremental 3D Point Cloud Segmentation
• Title（参考訳）: ProtoGuard-Guided PROPEL:インクリメンタル3Dポイントクラウドセグメンテーションのためのクラスアウェアプロトタイプとプログレッシブラベリング
• Authors: Haosheng Li, Yuecong Xu, Junjie Chen, Kemi Ding,
• Abstract要約: オフラインでトレーニングされたセグメンテーションモデルは、以前見られたクラスを壊滅的に忘れてしまう可能性がある。 ProtoGuard と PROPEL は破滅的忘れの問題に対処するために提案されている。 提案手法は,S3DISデータセットとScanNetデータセットの両方において顕著な結果が得られる。
• 参考スコア（独自算出の注目度）: 9.578322021478426
• License:
• Abstract: 3D point cloud semantic segmentation technology has been widely used. However, in real-world scenarios, the environment is evolving. Thus, offline-trained segmentation models may lead to catastrophic forgetting of previously seen classes. Class-incremental learning (CIL) is designed to address the problem of catastrophic forgetting. While point clouds are common, we observe high similarity and unclear boundaries between different classes. Meanwhile, they are known to be imbalanced in class distribution. These lead to issues including misclassification between similar classes and the long-tail problem, which have not been adequately addressed in previous CIL methods. We thus propose ProtoGuard and PROPEL (Progressive Refinement Of PsEudo-Labels). In the base-class training phase, ProtoGuard maintains geometric and semantic prototypes for each class, which are combined into prototype features using an attention mechanism. In the novel-class training phase, PROPEL inherits the base feature extractor and classifier, guiding pseudo-label propagation and updates based on density distribution and semantic similarity. Extensive experiments show that our approach achieves remarkable results on both the S3DIS and ScanNet datasets, improving the mIoU of 3D point cloud segmentation by a maximum of 20.39% under the 5-step CIL scenario on S3DIS.
• Abstract（参考訳）: 3Dポイントクラウドセマンティックセマンティクス技術は広く利用されている。 しかし、現実のシナリオでは、環境は進化しています。 したがって、オフラインで訓練されたセグメンテーションモデルは、以前に見られたクラスを破滅的に忘れてしまう可能性がある。 クラスインクリメンタルラーニング(CIL)は、破滅的な忘れの問題に対処するために設計されている。 点雲は一般的であるが、異なるクラス間の高い類似性と不明瞭な境界を観察する。 一方、それらはクラス分布において不均衡であることが知られている。 これらのことは、類似クラス間の誤分類や、従来のCIL手法では適切に対処されていないロングテール問題などの問題を引き起こす。 そこで我々はProtoGuard and PROPEL (Progressive Refinement of PsEudo-Labels)を提案する。 ベースクラスのトレーニングフェーズでは、ProtoGuardは各クラスの幾何学的および意味的なプロトタイプを維持しており、アテンションメカニズムを使用してプロトタイプ機能に統合されている。 新規クラスの訓練段階において、PROPELは基本特徴抽出器と分類器を継承し、擬似ラベルの伝播と密度分布と意味的類似性に基づく更新を導く。 S3DIS と ScanNet の2つのデータセットにおいて,本手法が顕著な結果をもたらすことを示し,S3DIS 上の 5 ステップ CIL シナリオの下では,最大 20.39% の 3D 点クラウドセグメンテーションの mIoU が向上した。

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)
• Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
  本稿では,FS-PCSによる3D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について再検討する。 我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。 これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
  論文  参考訳（メタデータ） (2024-03-01T15:14:47Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Multi-modality Affinity Inference for Weakly Supervised 3D Semantic Segmentation [47.81638388980828]
  本稿では,マルチモーダルポイント親和性推論モジュールを新たに導入した,シンプルで効果的なシーンレベルの弱教師付きポイントクラウドセグメンテーション法を提案する。 ScanNet と S3DIS のベンチマークでは,最先端の ScanNet と S3DIS のベンチマークでは 4% から 6% の mIoU を達成している。
  論文  参考訳（メタデータ） (2023-12-27T14:01:35Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• Weakly Supervised 3D Point Cloud Segmentation via Multi-Prototype Learning [37.76664203157892]
  ここでの根本的な課題は、局所幾何学構造の大きなクラス内変異であり、結果として意味クラス内のサブクラスとなる。 この直感を活用し、各サブクラスの個別分類器を維持することを選択します。 我々の仮説はまた、追加アノテーションのコストを伴わずにセマンティックサブクラスの一貫した発見を前提に検証されている。
  論文  参考訳（メタデータ） (2022-05-06T11:07:36Z)
• Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
  我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。 特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。 本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2021-10-13T10:52:45Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)

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。