論文の概要: P-SLCR: Unsupervised Point Cloud Semantic Segmentation via Prototypes Structure Learning and Consistent Reasoning

• arxiv url: http://arxiv.org/abs/2603.06321v1
• Date: Fri, 06 Mar 2026 14:23:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:45.903541
• Title: P-SLCR: Unsupervised Point Cloud Semantic Segmentation via Prototypes Structure Learning and Consistent Reasoning
• Title（参考訳）: P-SLCR: プロトタイプ構造学習と一貫性推論による教師なし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
• Authors: Lixin Zhan, Jie Jiang, Tianjian Zhou, Yukun Du, Yan Zheng, Xuehu Duan,
• Abstract要約: ポイントクラウドシーンの現在のセマンティックセグメンテーションアプローチは、手動ラベリングに依存している。 教師なしのポイントクラウド学習は、アノテーション情報がないため、重大な課題となる。 本稿では,ライブラリ駆動型非教師付きポイントクラウドセマンティックセマンティック・セマンティック・ストラテジーを提案する。
• 参考スコア（独自算出の注目度）: 10.853799342986177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current semantic segmentation approaches for point cloud scenes heavily rely on manual labeling, while research on unsupervised semantic segmentation methods specifically for raw point clouds is still in its early stages. Unsupervised point cloud learning poses significant challenges due to the absence of annotation information and the lack of pre-training. The development of effective strategies is crucial in this context. In this paper, we propose a novel prototype library-driven unsupervised point cloud semantic segmentation strategy that utilizes Structure Learning and Consistent Reasoning (P-SLCR). First, we propose a Consistent Structure Learning to establish structural feature learning between consistent points and the library of consistent prototypes by selecting high-quality features. Second, we propose a Semantic Relation Consistent Reasoning that constructs a prototype inter-relation matrix between consistent and ambiguous prototype libraries separately. This process ensures the preservation of semantic consistency by imposing constraints on consistent and ambiguous prototype libraries through the prototype inter-relation matrix. Finally, our method was extensively evaluated on the S3DIS, SemanticKITTI, and Scannet datasets, achieving the best performance compared to unsupervised methods. Specifically, the mIoU of 47.1% is achieved for Area-5 of the S3DIS dataset, surpassing the classical fully supervised method PointNet by 2.5%.
• Abstract（参考訳）: ポイントクラウドシーンに対する現在のセマンティックセグメンテーションアプローチは手動ラベリングに大きく依存しているが、生のポイントクラウドに特化した教師なしセマンティックセグメンテーション手法の研究はまだ初期段階にある。 教師なしのポイントクラウド学習は、アノテーション情報の欠如と事前学習の欠如により、重大な課題となる。 この文脈では効果的な戦略の開発が不可欠である。 本稿では,P-SLCR(Structure Learning and Consistent Reasoning)を利用した,ライブラリ駆動の非教師付き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のプロトタイプを提案する。 まず,高品質な特徴を選択することで,一貫した点と一貫したプロトタイプのライブラリ間の構造的特徴学習を確立するための一貫性構造学習を提案する。 第2に,一貫したプロトタイプライブラリとあいまいなプロトタイプライブラリを別々に構築するセマンティック・リレーショナル・コンシステント・推論を提案する。 このプロセスは、プロトタイプ相互関係行列を通じて、一貫性とあいまいなプロトタイプライブラリに制約を課すことにより、セマンティック一貫性の維持を保証する。 最後に,S3DIS,SemanticKITTI,Scannetのデータセットを用いて,教師なしの手法と比較して高い性能を示した。 具体的には、47.1%のmIoUはS3DISデータセットのエリア5で達成され、古典的な完全に教師されたPointNetを2.5%上回る。

関連論文リスト

• Open-world Point Cloud Semantic Segmentation: A Human-in-the-loop Framework [8.451270206964534]
  オープンワールドポイントクラウドセマンティックセグメンテーション(OW-Seg)は、実世界のシナリオにおいて、ベースクラスと新しいクラスのポイントラベルを予測することを目的としている。 HOW-SegはOW-Segのための最初のヒューマン・イン・ザ・ループ・フレームワークである。 HOW-Segは、疎い人間のアノテーションをガイダンスとして活用することにより、ベースクラスと新規クラスのプロトタイプベースのセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-08-07T01:20:41Z)
• Subspace Prototype Guidance for Mitigating Class Imbalance in Point Cloud Semantic Segmentation [23.250178208474928]
  本稿では,サブスペースのプロトタイプガイダンス(textbfSPG)を用いて,セグメンテーションネットワークのトレーニングを指導する手法を提案する。 提案手法はセグメンテーション性能を大幅に向上し,最先端の手法を超越する。
  論文  参考訳（メタデータ） (2024-08-20T04:31:46Z)
• 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)
• Novel class discovery meets foundation models for 3D semantic segmentation [21.879254503403516]
  本稿では,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おけるNCDの新たな課題を紹介する。 2次元セマンティックセグメンテーションのための既存のNCD法を直接3次元データに変換することで、最適以下の結果が得られることを示す。 オンラインクラスタリング,不確実性推定,セマンティック蒸留に基づく新しいNCD手法を提案する。
  論文  参考訳（メタデータ） (2023-12-06T09:59:30Z)
• Uncovering Prototypical Knowledge for Weakly Open-Vocabulary Semantic Segmentation [59.37587762543934]
  本稿では,弱開語彙セマンティックセマンティックセグメンテーション(WOVSS)の問題点について検討する。 既存の方法は、グループトークンの使用に関する粒度の矛盾に悩まされる。 マルチモーダル正規化を組み込んだプロトタイプ誘導ネットワーク(PGSeg)を提案する。
  論文  参考訳（メタデータ） (2023-10-29T13:18:00Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• 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)
• 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。