論文の概要: LogoSP: Local-global Grouping of Superpoints for Unsupervised Semantic Segmentation of 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2506.07857v1
• Date: Mon, 09 Jun 2025 15:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:11.021628
• Title: LogoSP: Local-global Grouping of Superpoints for Unsupervised Semantic Segmentation of 3D Point Clouds
• Title（参考訳）: LogoSP:3次元点雲の教師なし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スーパーポイントの局所的グローバルグループ化
• Authors: Zihui Zhang, Weisheng Dai, Hongtao Wen, Bo Yang,
• Abstract要約: ローカルとグローバルの両方の機能から3Dセマンティクスを学ぶためにLogoSPを紹介します。 我々のアプローチは,周波数領域におけるグローバルなパターンに従ってスーパーポイントをグループ化することで,3次元意味情報を発見することである。
• 参考スコア（独自算出の注目度）: 5.636411923613415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of unsupervised 3D semantic segmentation on raw point clouds without needing human labels in training. Existing methods usually formulate this problem into learning per-point local features followed by a simple grouping strategy, lacking the ability to discover additional and possibly richer semantic priors beyond local features. In this paper, we introduce LogoSP to learn 3D semantics from both local and global point features. The key to our approach is to discover 3D semantic information by grouping superpoints according to their global patterns in the frequency domain, thus generating highly accurate semantic pseudo-labels for training a segmentation network. Extensive experiments on two indoor and an outdoor datasets show that our LogoSP surpasses all existing unsupervised methods by large margins, achieving the state-of-the-art performance for unsupervised 3D semantic segmentation. Notably, our investigation into the learned global patterns reveals that they truly represent meaningful 3D semantics in the absence of human labels during training.
• Abstract（参考訳）: 本研究では,人間のラベルを必要とせずに生の点雲上での教師なし3次元セマンティックセマンティックセマンティックセマンティクスの課題について検討する。 既存の手法は通常、この問題をポイントごとの局所的特徴の学習に公式化し、続いて単純なグループ化戦略で、局所的特徴を超えた追加的でよりリッチなセマンティックな事前発見能力が欠如している。 本稿ではLogoSPを導入し,局所的特徴とグローバル的特徴の両方から3Dセマンティクスを学習する。 提案手法の鍵となるのは,周波数領域のグローバルなパターンに従ってスーパーポイントをグループ化し,セグメンテーションネットワークをトレーニングするための高精度な擬似ラベルを生成することで,3Dセグメンテーション情報を発見することである。 2つの屋内データセットと1つの屋外データセットの大規模な実験により、LogoSPは既存の教師なしメソッドを大きなマージンで超え、教師なし3Dセマンティックセマンティックセグメンテーションの最先端性能を達成している。 特に、学習したグローバルなパターンを調査した結果、トレーニング中に人間のラベルがないことで、意味のある3Dセマンティクスを真に表現していることが判明した。

関連論文リスト

• GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds [12.597717463575478]
  そこで本研究では,3次元シーンの各点における複雑なセマンティッククラスを識別するために,GrowSPと呼ばれる教師なしの最初の手法を提案する。 提案手法は,(1)入力点雲から点ごとの特徴を学習する特徴抽出器,(2)スーパーポイントのサイズを徐々に拡大するスーパーポイントコンストラクタ,(3)スーパーポイントを意味的要素にグループ化するセマンティックプリミティブクラスタリングモジュールからなる。 提案手法を複数のデータセット上で広範囲に評価し,教師なしベースラインに対して優れた性能を示し,従来の完全教師付きポイントネットにアプローチした。
  論文  参考訳（メタデータ） (2023-05-25T18:11:21Z)
• 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)
• Point Discriminative Learning for Unsupervised Representation Learning on 3D Point Clouds [54.31515001741987]
  3次元点雲上での教師なし表現学習のための点識別学習法を提案する。 我々は、中間レベルとグローバルレベルの特徴に新しい点識別損失を課すことにより、これを達成した。 提案手法は強力な表現を学習し,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-08-04T15:11:48Z)
• Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds [59.63231842439687]
  意味点クラウドセグメンテーションネットワークをトレーニングする。 同様の特徴を伝達し、2つのサンプルにまたがる勾配を再現するクロスサンプル機能再配置モジュールを提案する。 ラベルの10%と1%しか持たない弱教師付き手法では、完全教師付き手法と互換性のある結果が得られる。
  論文  参考訳（メタデータ） (2021-07-23T14:34:57Z)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• Weakly Supervised Semantic Segmentation in 3D Graph-Structured Point Clouds of Wild Scenes [36.07733308424772]
  3Dセグメンテーションラベルの欠如は、効率的な点雲セグメンテーションの主な障害の1つである。 本稿では,2D のみを監督する点群における大規模セマンティックシーンセグメンテーションのための,新しいディープグラフ畳み込みネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-26T23:02:23Z)
• Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds [67.0904905172941]
  本稿では,3次元点雲上の弱ラベルを用いた点レベルの予測のための弱教師付きアプローチを提案する。 私たちの知る限りでは、これは、クラウドレベルの弱いラベルを生の3D空間で使用して、ポイントクラウドセマンティックセグメンテーションネットワークをトレーニングする最初の方法です。
  論文  参考訳（メタデータ） (2020-03-29T14:13:29Z)

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。