論文の概要: Novel Class Discovery for Point Cloud Segmentation via Joint Learning of Causal Representation and Reasoning

• arxiv url: http://arxiv.org/abs/2510.13307v1
• Date: Wed, 15 Oct 2025 08:54:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.579684
• Title: Novel Class Discovery for Point Cloud Segmentation via Joint Learning of Causal Representation and Reasoning
• Title（参考訳）: 因果表現と推論の連成学習によるポイントクラウドセグメンテーションのための新しいクラス発見
• Authors: Yang Li, Aming Wu, Zihao Zhang, Yahong Han,
• Abstract要約: ポイントクラウドのための新しいクラスディスカバリ(3D-NCD)に焦点を当てる このタスクの鍵は、ポイント表現とベースクラスラベルの正確な相関を設定することである。 本稿では,因果表現と推論の融合学習法を提案する。
• 参考スコア（独自算出の注目度）: 58.25418970608328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we focus on Novel Class Discovery for Point Cloud Segmentation (3D-NCD), aiming to learn a model that can segment unlabeled (novel) 3D classes using only the supervision from labeled (base) 3D classes. The key to this task is to setup the exact correlations between the point representations and their base class labels, as well as the representation correlations between the points from base and novel classes. A coarse or statistical correlation learning may lead to the confusion in novel class inference. lf we impose a causal relationship as a strong correlated constraint upon the learning process, the essential point cloud representations that accurately correspond to the classes should be uncovered. To this end, we introduce a structural causal model (SCM) to re-formalize the 3D-NCD problem and propose a new method, i.e., Joint Learning of Causal Representation and Reasoning. Specifically, we first analyze hidden confounders in the base class representations and the causal relationships between the base and novel classes through SCM. We devise a causal representation prototype that eliminates confounders to capture the causal representations of base classes. A graph structure is then used to model the causal relationships between the base classes' causal representation prototypes and the novel class prototypes, enabling causal reasoning from base to novel classes. Extensive experiments and visualization results on 3D and 2D NCD semantic segmentation demonstrate the superiorities of our method.
• Abstract（参考訳）: 本稿では、ラベル付き(ベース)3Dクラスのみを用いて、ラベル付き(ノーベル)3Dクラスをセグメント化できるモデルを学ぶことを目的とした、ポイントクラウドセグメンテーションのための新規クラスディスカバリ(3D-NCD)に焦点を当てる。 このタスクの鍵となるのは、ポイント表現とそのベースクラスラベル間の正確な相関と、ベースクラスと新規クラスのポイント間の表現相関を設定することである。 粗いあるいは統計的相関学習は、新しいクラスの推論において混乱を引き起こす可能性がある。 学習過程に強い相関制約として因果関係を課すと、クラスに正確に対応する必須点のクラウド表現が明らかになる。 そこで本研究では,3D-NCD問題の再形式化のための構造因果モデル(SCM)を導入し,因果表現と推論の統合学習法を提案する。 具体的には、まず、ベースクラス表現における隠れた共同創設者と、ベースクラスと新規クラスの因果関係をSCMを通して分析する。 基礎クラスの因果表現を捉えるために,共同創設者を排除した因果表現プロトタイプを考案した。 次に、グラフ構造を用いて、基底クラスの因果表現プロトタイプと新しいクラスプロトタイプとの間の因果関係をモデル化し、基底クラスから新規クラスへの因果推論を可能にする。 3次元および2次元のNCDセマンティックセマンティックセグメンテーションに関する大規模な実験と可視化結果は,本手法の優位性を示している。

関連論文リスト

• Order-Robust Class Incremental Learning: Graph-Driven Dynamic Similarity Grouping [19.168022702075774]
  クラスインクリメンタルラーニング(Class Incremental Learning, CIL)は、モデルが新しいクラスのシーケンシャルな学習を可能にすることを目的としている。 近年の研究では、CILモデルの性能はクラス到着の順序に非常に敏感であることが示されている。 グラフカラー化アルゴリズムを用いてクラスを類似性制約付きグループに動的に分割するグラフ駆動動的類似性グループ(GDDSG)を提案する。
  論文  参考訳（メタデータ） (2025-02-27T12:16:57Z)
• CP-VoteNet: Contrastive Prototypical VoteNet for Few-Shot Point Cloud Object Detection [7.205000222081269]
  ポイントクラウド3Dオブジェクト検出(FS3D)は、ポイントクラウドから新しいクラスのオブジェクトを特定しローカライズすることを目的としている。 コントラスト的セマンティクスマイニングを導入し、ネットワークが識別的分類的特徴を抽出できるようにする。 洗練された原始幾何学的構造を通して、基本クラスから新しいクラスへの特徴符号化の伝達性が著しく向上する。
  論文  参考訳（メタデータ） (2024-08-30T06:13:49Z)
• Hierarchical Insights: Exploiting Structural Similarities for Reliable 3D Semantic Segmentation [4.480310276450028]
  本稿では,抽象を通してクラス間の構造的関係を学習する3次元LiDARセマンティックセマンティックセマンティクスモデルのトレーニング戦略を提案する。 これは、階層的マルチラベル分類(HMC)のための学習規則を用いて、これらの関係を暗黙的にモデル化することで達成される。 詳細な分析により、このトレーニング戦略はモデルの信頼性校正を改善するだけでなく、融合、予測、計画といった下流タスクに有用な追加情報を保持することが示される。
  論文  参考訳（メタデータ） (2024-04-09T08:49:01Z)
• 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)
• Learning from Semi-Factuals: A Debiased and Semantic-Aware Framework for Generalized Relation Discovery [12.716874398564482]
  Generalized Relation Discovery (GRD) は、既存の事前定義された関係にある未ラベルのインスタンスを特定したり、新しい関係を発見することを目的としている。 本稿では,2段階の半実物から学習することで,この課題に対する新しいフレームワーク,SFGRDを提案する。 SFGRDの精度は2.36%$sim$5.78%、コサイン類似度は32.19%$sim$84.45%である。
  論文  参考訳（メタデータ） (2024-01-12T02:38:55Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Unsupervised Part Discovery from Contrastive Reconstruction [90.88501867321573]
  自己監督型視覚表現学習の目標は、強く伝達可能な画像表現を学習することである。 対象部分の発見とセグメンテーションに対する教師なしアプローチを提案する。 本手法は, 細粒度, 視覚的に異なるカテゴリ間でセマンティックな部分を生成する。
  論文  参考訳（メタデータ） (2021-11-11T17:59:42Z)
• Explanation-Guided Training for Cross-Domain Few-Shot Classification [96.12873073444091]
  クロスドメイン・ショット分類タスク(CD-FSC)は、データセットで表されるドメインをまたいで一般化する要件と、少数ショット分類を組み合わせたものである。 既存のFSCモデルに対する新しいトレーニング手法を提案する。 説明誘導学習はモデル一般化を効果的に改善することを示す。
  論文  参考訳（メタデータ） (2020-07-17T07:28:08Z)
• Fine-Grained 3D Shape Classification with Hierarchical Part-View Attentions [70.0171362989609]
  本稿では,FG3D-Netと呼ばれる新しい3次元形状分類手法を提案する。 詳細な3次元形状データセットに基づく結果から,本手法が他の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-26T06:53:19Z)

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。