論文の概要: Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning

• arxiv url: http://arxiv.org/abs/2507.06592v1
• Date: Wed, 09 Jul 2025 07:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.495697
• Title: Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning
• Title（参考訳）: アダプティブ・マージン・コントラスト学習による曖昧性を考慮したポイント・クラウド・セグメンテーション
• Authors: Yang Chen, Yueqi Duan, Haowen Sun, Jiwen Lu, Yap-Peng Tan,
• Abstract要約: 本稿では,ポイントクラウド上の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的マージン比較学習法を提案する。 まず,両立度推定フレームワークにコントラスト学習を組み込んだAMContrast3Dを設計する。 共同トレーニングの洞察に触発されて、並列にトレーニングされた2つのブランチとAMContrast3D++を統合することを提案する。
• 参考スコア（独自算出の注目度）: 65.94127546086156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an adaptive margin contrastive learning method for 3D semantic segmentation on point clouds. Most existing methods use equally penalized objectives, which ignore the per-point ambiguities and less discriminated features stemming from transition regions. However, as highly ambiguous points may be indistinguishable even for humans, their manually annotated labels are less reliable, and hard constraints over these points would lead to sub-optimal models. To address this, we first design AMContrast3D, a method comprising contrastive learning into an ambiguity estimation framework, tailored to adaptive objectives for individual points based on ambiguity levels. As a result, our method promotes model training, which ensures the correctness of low-ambiguity points while allowing mistakes for high-ambiguity points. As ambiguities are formulated based on position discrepancies across labels, optimization during inference is constrained by the assumption that all unlabeled points are uniformly unambiguous, lacking ambiguity awareness. Inspired by the insight of joint training, we further propose AMContrast3D++ integrating with two branches trained in parallel, where a novel ambiguity prediction module concurrently learns point ambiguities from generated embeddings. To this end, we design a masked refinement mechanism that leverages predicted ambiguities to enable the ambiguous embeddings to be more reliable, thereby boosting segmentation performance and enhancing robustness. Experimental results on 3D indoor scene datasets, S3DIS and ScanNet, demonstrate the effectiveness of the proposed method. Code is available at https://github.com/YangChenApril/AMContrast3D.
• Abstract（参考訳）: 本稿では,点雲上の3次元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的マージン比較学習法を提案する。 既存のほとんどの手法は、ポイント毎の曖昧さを無視し、遷移領域から生じる差別的特徴を無視する、均等に罰せられる目的を用いる。 しかしながら、高度にあいまいな点が人間にとっても区別できないため、手動でアノテートしたラベルは信頼性が低く、これらの点に対する厳しい制約は準最適モデルに繋がる。 そこで我々は,まず,曖昧度評価フレームワークにコントラスト学習を組み込んだAMContrast3Dを設計する。 その結果,低あいさ点の正しさを保証し,高あいさ点の誤りを許容するモデル学習が促進された。 あいまいさはラベル間の位置の不一致に基づいて定式化されるので、推論中の最適化は、ラベルなしのすべての点が均一に曖昧であり、あいまいさの意識が欠如しているという仮定によって制約される。 共同トレーニングの洞察に触発されて,新たなあいまいさ予測モジュールが生成した埋め込みからポイント曖昧さを同時に学習する,並列でトレーニングされた2つのブランチとAMContrast3D++の統合を提案する。 そこで我々は,不明瞭な埋め込みをより信頼性が高くし,セグメンテーション性能を高め,ロバスト性を高めるために,予測曖昧性を利用したマスク改良機構を設計した。 3次元屋内シーンデータセットS3DISとScanNetの実験結果から,提案手法の有効性が示された。 コードはhttps://github.com/YangChen April/AMContrast3Dで入手できる。

関連論文リスト

• High-quality Pseudo-labeling for Point Cloud Segmentation with Scene-level Annotation [32.03087826213936]
  本稿では,シーンレベルのアノテーションに基づく屋内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検討する。 現在のメソッドはまずポイントレベルの擬似ラベルを生成し、セグメンテーションモデルをトレーニングするために使用される。 精度を高めるために,高品質な擬似ラベル生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-29T13:17:12Z)
• Adaptive Margin Contrastive Learning for Ambiguity-aware 3D Semantic Segmentation [25.29651362098539]
  本稿では,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,すなわちAMContrast3Dの適応的マージン比較学習法を提案する。 我々は,各点のアンビグニティレベルに基づいて適応目標を設計し,低アンビグニティポイントの正しさを確保しつつ,高アンビグニティポイントのミスを許容することを目的とした。 大規模データセットであるS3DISとScanNetの実験結果から,本手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-06T14:39:16Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation [80.07161039753043]
  極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。 本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。 疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T10:41:57Z)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群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を提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)

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。