論文の概要: Geometric-Aware Hypergraph Reasoning for Novel Class Discovery in Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2606.07280v1
• Date: Fri, 05 Jun 2026 13:55:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.763397
• Title: Geometric-Aware Hypergraph Reasoning for Novel Class Discovery in Point Cloud Segmentation
• Title（参考訳）: ポイントクラウドセグメンテーションにおける新しいクラス発見のための幾何学的ハイパーグラフ推論
• Authors: Zihao Zhang, Aming Wu, Yang Li, Yahong Han, Jialie Shen,
• Abstract要約: クラス間の高次関連をモデル化するハイパーグラフベースのフレームワークを提案する。 既存の手法は、クラス割り当てと新しいクラスの推論にペアワイズアソシエーションに依存している。 本稿では,クラスレベルの幾何学的手がかりの表現性を高めるため,幾何認識型プロトタイプを提案する。
• 参考スコア（独自算出の注目度）: 59.18176055927746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Novel class discovery in point cloud segmentation aims to transfer knowledge from known classes to automatically identify and segment unlabeled novel classes in point clouds. Existing methods mainly rely on pairwise associations for class assignment and novel class reasoning, which limits their ability to capture complex relationships among known and novel classes and may lead to inaccurate semantic segmentation. To address this issue, we introduce a hypergraph-based framework that models high-order associations among classes and enables collaborative reasoning from known classes to novel classes beyond traditional pairwise relations. Moreover, existing methods tend to focus on semantic feature extraction while paying insufficient attention to geometric information in point clouds. To better exploit spatial structure, we propose Geometric-Aware Prototypes to enhance the representation of class-level geometric cues. By propagating geometric information through hyperedges, the proposed method improves the understanding of spatial distributions across classes and leads to more accurate segmentation. Experiments on the SemanticKITTI and SemanticPOSS datasets demonstrate the effectiveness and superiority of our method.
• Abstract（参考訳）: ポイントクラウドセグメンテーションにおける新しいクラス発見は、既知のクラスから知識を転送し、ポイントクラウド内の未ラベルの新規クラスを自動的に識別し、セグメンテーションすることを目的としている。 既存の手法は主に、クラス割り当てと新しいクラス推論のペアワイズ関連に依存しており、既知のクラスと新しいクラスの複雑な関係を捉え、不正確なセマンティックセグメンテーションにつながる可能性がある。 この問題に対処するために,クラス間の高次関連をモデル化し,既知のクラスから新しいクラスへの協調推論を可能にするハイパーグラフベースのフレームワークを提案する。 さらに、既存の手法では、点雲における幾何学的情報に十分な注意を払って、意味的特徴抽出に焦点を当てる傾向にある。 空間的構造をよりよく活用するために,クラスレベルの幾何学的手がかりの表現を強化する幾何学的認識型を提案する。 ハイパーエッジを通して幾何学情報を伝播することにより,クラス間の空間分布の理解を改善し,より正確なセグメンテーションを実現する。 SemanticKITTIとSemanticPOSSデータセットの実験は,本手法の有効性と優位性を示した。

関連論文リスト

• Hyperoctant Search Clustering: A Method for Clustering Data in High-Dimensional Hyperspheres [0.0]
  座標の符号(ハイパーロクタント)によって定義される空間の領域に適用される位相的アプローチに基づく新しいクラスタリング法を提案する。 密度基準によれば、この方法はグラフの分割に基づいてデータポイントのクラスタを構築する。 テキストマイニングにおいて重要な課題である話題検出の応用を選択する。
  論文  参考訳（メタデータ） (2025-03-10T23:41:44Z)
• Training-Free Point Cloud Recognition Based on Geometric and Semantic Information Fusion [20.99204433175349]
  幾何学的特徴と意味的特徴を統合した学習自由な手法を提案する。 提案手法は,主要なベンチマークデータセットにおいて,既存の最先端のトレーニングフリーアプローチよりも優れている。
  論文  参考訳（メタデータ） (2024-09-07T08:20:02Z)
• Dual-level Adaptive Self-Labeling for Novel Class Discovery in Point Cloud Segmentation [15.000460515557211]
  そこで我々は,点雲セグメンテーションにおける新しいクラス発見に挑戦し,見受けられるクラスの意味的知識に基づいて,新しいクラスを発見する。 既存の研究は、解の退化を避けるために、新しいクラスに等しいクラスサイズの制約を単純化したオンラインポイントワイズクラスタリング手法を提案する。 本研究では,モデル学習中に不均衡なクラスに対して,高品質な擬似ラベルを適応的に生成する新たな自己ラベル方式を提案する。
  論文  参考訳（メタデータ） (2024-07-17T11:14:46Z)
• Generalized Few-Shot Point Cloud Segmentation Via Geometric Words [54.32239996417363]
  ショットポイントクラウドセグメンテーションアルゴリズムは、ベースクラスのセグメンテーション精度を犠牲にして、新しいクラスに適応するように学習する。 一般化された数ショット点雲のセグメンテーションというより実践的なパラダイムの最初の試みを示す。 基本クラスと新規クラス間で共有される幾何学的要素を表す幾何学的単語を提案し,それらを新しい幾何学的意味表現に組み込む。
  論文  参考訳（メタデータ） (2023-09-20T11:24:33Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
  ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。 異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。 提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
  論文  参考訳（メタデータ） (2021-06-29T11:51:57Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• 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。