論文の概要: Query-aware Hub Prototype Learning for Few-Shot 3D Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2512.08253v1
• Date: Tue, 09 Dec 2025 05:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.817006
• Title: Query-aware Hub Prototype Learning for Few-Shot 3D Point Cloud Semantic Segmentation
• Title（参考訳）: Few-Shot 3D Point Cloud Semantic Segmentationのためのクエリ対応ハブプロトタイプ学習
• Authors: YiLin Zhou, Lili Wei, Zheming Xu, Ziyi Chen, Congyan Lang,
• Abstract要約: Few-shot 3D Point Cloud semantic segmentation (FS-3DSeg) は、いくつかのラベル付きサンプルで新しいクラスをセグメンテーションすることを目的としている。 既存のメトリックベースのプロトタイプ学習手法は,クエリデータとの関連性を考慮せずに,サポートセットのみからプロトタイプを生成する。 本稿では,サポートとクエリセット間の意味的相関を明示的にモデル化する,新しいクエリ対応ハブプロトタイプ(QHP)学習手法を提案する。
• 参考スコア（独自算出の注目度）: 15.238614809926936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot 3D point cloud semantic segmentation (FS-3DSeg) aims to segment novel classes with only a few labeled samples. However, existing metric-based prototype learning methods generate prototypes solely from the support set, without considering their relevance to query data. This often results in prototype bias, where prototypes overfit support-specific characteristics and fail to generalize to the query distribution, especially in the presence of distribution shifts, which leads to degraded segmentation performance. To address this issue, we propose a novel Query-aware Hub Prototype (QHP) learning method that explicitly models semantic correlations between support and query sets. Specifically, we propose a Hub Prototype Generation (HPG) module that constructs a bipartite graph connecting query and support points, identifies frequently linked support hubs, and generates query-relevant prototypes that better capture cross-set semantics. To further mitigate the influence of bad hubs and ambiguous prototypes near class boundaries, we introduce a Prototype Distribution Optimization (PDO) module, which employs a purity-reweighted contrastive loss to refine prototype representations by pulling bad hubs and outlier prototypes closer to their corresponding class centers. Extensive experiments on S3DIS and ScanNet demonstrate that QHP achieves substantial performance gains over state-of-the-art methods, effectively narrowing the semantic gap between prototypes and query sets in FS-3DSeg.
• Abstract（参考訳）: Few-shot 3D Point Cloud semantic segmentation (FS-3DSeg) は、いくつかのラベル付きサンプルで新しいクラスをセグメンテーションすることを目的としている。 しかし、既存のメトリックベースのプロトタイプ学習手法は、クエリデータとの関連性を考慮せずに、サポートセットのみからプロトタイプを生成する。 これはしばしば、プロトタイプがサポート固有の特性を過度に適合させ、特に分散シフトの存在下ではクエリ分布に一般化できず、セグメンテーション性能が低下するプロトタイプのバイアスをもたらす。 この問題に対処するために,サポートとクエリセット間の意味的相関を明示的にモデル化する新しいクエリ対応ハブプロトタイプ(QHP)学習手法を提案する。 具体的には、クエリとサポートポイントを接続する二部グラフを構築し、頻繁にリンクされたサポートハブを特定し、クロスセットセマンティクスをよりよくキャプチャするクエリ関連プロトタイプを生成するハブプロトタイプ(HPG)モジュールを提案する。 クラス境界付近の悪いハブやあいまいなプロトタイプの影響を緩和するため, 粗悪なハブや外れ値のプロトタイプを対応するクラス中心に近づけることで, プロトタイプ表現を洗練するために, 純粋に重み付けされたコントラスト的損失を利用するPDO(Prototype Distribution Optimization)モジュールを導入する。 S3DISとScanNetの大規模な実験により、QHPは最先端の手法よりも大幅な性能向上を実現し、FS-3DSegのプロトタイプとクエリセット間のセマンティックギャップを効果的に狭めていることが示された。

関連論文リスト

• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• Proto-Former: Unified Facial Landmark Detection by Prototype Transformer [77.47431726595111]
  Proto-Formerは、統一的で適応的でエンドツーエンドの顔ランドマーク検出フレームワークである。 統一されたアーキテクチャ内で、複数のデータセットをまたいだ共同トレーニングを可能にする。 Proto-Formerは、既存の最先端手法よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-10-17T06:00:25Z)
• Few to Big: Prototype Expansion Network via Diffusion Learner for Point Cloud Few-shot Semantic Segmentation [12.971351926107289]
  Prototype Expansion Network (PENet) は、2つのアノテートされた特徴源から大容量のプロトタイプを構築するフレームワークである。 PENetは、様々ないくつかのショット設定で最先端のメソッドを著しく上回っている。
  論文  参考訳（メタデータ） (2025-09-16T09:29:46Z)
• Symmetrical Joint Learning Support-query Prototypes for Few-shot Segmentation [33.33249452130038]
  クラス内変動の重要な問題に対処するFew-Shot(FSS)のための新しいフレームワークであるSym-Netを提案する。 我々は、クエリとプロトタイプの両方を対称的に学習し、学習プロセスが他方よりも1つのセット(サポートまたはクエリ)を好まないようにします。 実験の結果,提案したSym-Netは最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-07-27T17:37:56Z)
• 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)
• Boosting Few-shot 3D Point Cloud Segmentation via Query-Guided Enhancement [30.017448714419455]
  本稿では,PC-FSSモデルの改良手法を提案する。 従来のPC-FSSでは,クエリサンプルの新規クラスを識別するために,サポートプロトタイプのカテゴリ情報を直接活用する手法とは異なり,モデル性能を著しく向上させる2つの重要な側面を同定する。
  論文  参考訳（メタデータ） (2023-08-06T18:07:45Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Dual Prototypical Contrastive Learning for Few-shot Semantic Segmentation [55.339405417090084]
  本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。 第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。 提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-09T08:14:50Z)

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。