論文の概要: Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2603.19788v1
• Date: Fri, 20 Mar 2026 09:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.081867
• Title: Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation
• Title（参考訳）: 一般化Few-Shot 3Dポイントクラウドセグメンテーションのための階層的直交プロトタイプの学習
• Authors: Yifei Zhao, Fanyu Zhao, Zhongyuan Zhang, Shengtang Wu, Yixuan Lin, Yinsheng Li,
• Abstract要約: 汎用的な数ショットの3Dポイントクラウドセグメンテーションは、いくつかのアノテーションから新しいクラスに適応しつつ、ベースクラス上での強力なパフォーマンスを維持することを目的としている。 本稿では,エントロピーベースの少数ショット正規化器を用いて階層型プロトタイプを学習する統一フレームワークであるHOP3Dを提案する。 ScanNet200とScanNet++の実験では、HOP3Dは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 5.923682154394584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized few-shot 3D point cloud segmentation aims to adapt to novel classes from only a few annotations while maintaining strong performance on base classes, but this remains challenging due to the inherent stability-plasticity trade-off: adapting to novel classes can interfere with shared representations and cause base-class forgetting. We present HOP3D, a unified framework that learns hierarchical orthogonal prototypes with an entropy-based few-shot regularizer to enable robust novel-class adaptation without degrading base-class performance. HOP3D introduces hierarchical orthogonalization that decouples base and novel learning at both the gradient and representation levels, effectively mitigating base-novel interference. To further enhance adaptation under sparse supervision, we incorporate an entropy-based regularizer that leverages predictive uncertainty to refine prototype learning and promote balanced predictions. Extensive experiments on ScanNet200 and ScanNet++ demonstrate that HOP3D consistently outperforms state-of-the-art baselines under both 1-shot and 5-shot settings. The code is available at https://fdueblab-hop3d.github.io/.
• Abstract（参考訳）: 一般化された数ショットの3Dポイントクラウドセグメンテーションは、いくつかのアノテーションから新しいクラスに適応することを目的としており、ベースクラスでの強力なパフォーマンスを維持している。 HOP3Dは,階層的な直交プロトタイプをエントロピーベースの少数ショット正規化器で学習し,ベースクラス性能を劣化させることなく,堅牢な新規クラス適応を実現する統合フレームワークである。 HOP3Dは、基底と新しい学習を勾配と表現レベルの両方で分離する階層的な直交化を導入し、ベースノーベル干渉を効果的に緩和する。 スパース管理下での適応をさらに強化するため,予測の不確実性を利用してプロトタイプ学習を洗練し,バランスの取れた予測を促進するエントロピーベースの正規化器を組み込んだ。 ScanNet200とScanNet++の大規模な実験によると、HOP3Dは1ショットと5ショットの両方の設定で、最先端のベースラインを一貫して上回っている。 コードはhttps://fdueblab-hop3d.github.io/で公開されている。

関連論文リスト

• SCOPE: Scene-Contextualized Incremental Few-Shot 3D Segmentation [51.48871964840347]
  SCOPE (Scene-conised Prototype Enrichment) は、プラグ&プレイの背景誘導型プロトタイプエンリッチメントフレームワークである。 プロトタイプベースの3Dセグメンテーション手法と統合されている。 新規クラスのIoUを6.98%、IoUを3.61%、IoUを2.25%、IoUを1.70%向上させる。
  論文  参考訳（メタデータ） (2026-03-06T18:59:36Z)
• Generalized Zero-Shot Learning for Point Cloud Segmentation with Evidence-Based Dynamic Calibration [12.973924671425074]
  3Dポイントクラウドの一般化されたゼロショット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は、各ポイントを目に見えないクラスと見えないクラスの両方に分類することを目的としている。 これらのモデルの重大な課題は、バイアスのある予測を行う傾向にあり、しばしばトレーニング中に遭遇するクラスを好んでいることである。 E3DPC-GZSLを提案する。これは、見知らぬデータに対して、別個の分類器に頼ることなく、見知らぬクラスに対する過信予測を減らす。
  論文  参考訳（メタデータ） (2025-09-10T04:37:00Z)
• Proto-FG3D: Prototype-based Interpretable Fine-Grained 3D Shape Classification [59.68055837500357]
  本稿では,3次元形状のきめ細かい分類のためのプロトタイプベースフレームワークProto-FG3Dを提案する。 Proto-FG3Dは、Prototype Associationを介して、共同でマルチビューとマルチカテゴリ表現学習を確立する。 Proto-FG3Dは、精度、透明な予測、そして視覚化によるアドホックな解釈可能性において最先端の手法を超越している。
  論文  参考訳（メタデータ） (2025-05-23T09:31:02Z)
• ProtoGuard-guided PROPEL: Class-Aware Prototype Enhancement and Progressive Labeling for Incremental 3D Point Cloud Segmentation [9.578322021478426]
  オフラインでトレーニングされたセグメンテーションモデルは、以前見られたクラスを壊滅的に忘れてしまう可能性がある。 ProtoGuard と PROPEL は破滅的忘れの問題に対処するために提案されている。 提案手法は,S3DISデータセットとScanNetデータセットの両方において顕著な結果が得られる。
  論文  参考訳（メタデータ） (2025-04-02T11:58:04Z)
• CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation [67.36817440834251]
  我々はtextbfCLass-incremental textbfIm Balance-aware textbf3DIS の統一フレームワークを提案する。 提案手法は, 先行研究を最大16.76%まで上回り, 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では約30%のmIoUを達成している。
  論文  参考訳（メタデータ） (2025-02-24T18:58:58Z)
• 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)
• 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)
• Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
  FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。 我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。 我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-06T18:39:40Z)

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。