Few-shot 3D Point Cloud Semantic Segmentation 论文简记

最新推荐文章于 2024-06-11 09:48:23 发布
最新推荐文章于 2024-06-11 09:48:23 发布
阅读量1.6k 收藏 2
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011507206/article/details/107338330
版权
介绍一种显著感知的多原型转化方法，用于3D点云的few-shot语义分割，解决新类别泛化难题。通过元学习策略，利用多Prototype表示复杂分布，结合标签传播方法，实现对新类别的有效分割。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Few-shot 3D Point Cloud Semantic Segmentation 论文简记

摘要

已有的点云语义分割方法需要大量的标签，点云逐点标记是困难的，另外对新的类别较差的泛化性。因此本文提出一个显著感知的多原型转化few-shot 分割方法。
具体地，每个类可以表示为多个原型来建模复杂分布地点云数据。然后，设计一个标签传播方法，来探索标注点和未标记点的多原型亲和度，以及未标注点之间的亲和度。最后，显著感知的多尺度特征学习网络建模点之间的语义相关性和几何相关性。

1. 解决关键问题

  • 推广到新的类别 s.t. 不需要强的监督信号，并且生成新的类别。
  • 目前一些弱监督或者半监督的方法忽略了泛化性的问题，即使使用元学习策略也会面临两个关键问题：1）从支持集中学到可表示新类的可区别性的特征是困难的；2）如何有效这些特征表示信息进行细分类。

2. 方法思路简记

本文主要是利用元学习的方法，预训练网络，在支撑集和查询集上进行fine-tunning。
下面以3-Way 5-Shot 为例说明论文的主要方法：根据类别信息（首字母顺序）划分训练集和测试集。划分支撑集和查询集，支撑集包含3个类别的点云（还包含属于该类别点的mask），每个类别5个样本。查询集中有T个样本和对应标签。训练过程是通过S集来预测Q集中每个点的类别分布：S集和Q集分别通过Embedding网络提取特征。在Embedding中对DGCNN加

最低0.47元/天 解锁文章
疯子_Zhang
关注
【论文笔记】3D Model classification based on few-shot learning
Neal_YG的博客
03-27 526
【Title】3D Model classification based on few-shot learning 【Link】https://doi.org/10.1016/j.neucom.2019.03.105 【Key-words】FSL、PointCloud、3D model classification、LSTM Problem Motivate Method ...
PFENet++- Boosting few-shot Semantic Segmentation with the Noise-filtered Context-aware Prior Mask
栗子菜菜
05-16 1096
摘要 在这项工作中，我们重新审视了 "Prior Guided Feature Enrichment Network for Few-Shot Segmentation "中提出的先验掩码指导。先验掩码作为一个指标，突出了未知类别的感兴趣的区域。在最近的研究中，在不同的框架上取得了更好的性能。然而，目前的方法直接采用了元素与元素之间的对应关系来表示属于目标类别的概率。因此，在先验掩码生成过程中，更广泛的背景信息很少被利用。为了解决这个问题，我们首先提出了Context-aware Prior Mask (C
探索未来3D点云语义分割： Few-shot 3D Point Cloud Semantic Segmentation
gitblog_00009的博客
06-11 616
探索未来3D点云语义分割： Few-shot 3D Point Cloud Semantic Segmentation 项目地址:https://gitcode.com/gh_mirrors/at/attMPTI 在计算机视觉领域，3D点云语义分割一直是研究的热点，但现有的大多数方法依赖于大量标注数据，这在实际应用中往往难以获取且无法很好地泛化到未见过的新类别。为了解决这一难题，我们为您推荐一个创...
FewShot_GAN-Unet3D：本文的Tensorflow实现：使用生成式对抗学习的少量镜头3D多模式医学图像分割
02-06
使用生成式对抗学习的3D医学图像分割很少 该存储库包含我们在同名论文中提出的模型的tensorflow和pytorch实现： 该代码在tensorflow和pytorch中都可用。 要运行该项目，请参考各个自述文件。 数据集 选择了数据集来证实我们提出的方法。 它包含10个标记的训练对象和13个未标记的测试对象的3D多模式脑MRI数据。 我们将这10个标记的训练数据分为两个模型的训练，验证和测试图像。（例如，2,1和7）13个未标记的测试图像中的其余部分仅用于训练基于GAN的模型。 数据集也用于测试我们提出的模型的鲁棒性。 它包含3种模式（T1加权，T1加权反转恢复和FLAIR）。 原始数据
（2021，多原型网络）少样本3D点云语义分割
qq_44681809的博客
12-19 2686
为了缓和难以获取的labelled data的限制以及提升泛化性能，本文提出基于attention的多原型直推式few-shot点云语义分割。特别地，每一个类别由多个原型表示，从而建模labeled points的复杂分布。然后使用label propagation来探索labeled多原型与unlabeled点的关系，以及unlabeled点之间的关系。然后，设计了一个基于attention的多层特征学习网络，用于学习鉴别特征。这些特征包含了点之间的几何依赖性以及语义相关性。
Point Cloud Segmentation 点云分割-数据集
03-22
来自Semantic3D项目的带标签的点云数据集。该数据集具有数十亿个XYZ-RGB点，并将它们标记为7类。
【论文整理】小样本学习Few-shot learning论文整理收藏（最全，持续更新）
诸葛灬孔暗
07-14 9615
一、综述类 1.Generalizing from a Few Examples: A Survey on Few-Shot Learning 2.Generalizing from a few examples: A survey on few-shot learning, CSUR, 2020. 3.Rethinkingfew-shotimage classification: a good embedding is all you need?ECCV2020. 4.Prototyp...
【小样本分割】Self-Support Few-Shot Semantic Segmentation
栗子菜菜
09-23 2788
自支持小样本语义分割:将自支持(查询原型匹配查询特征)模块应用于前景和背景原型，以进行自支持匹配。
论文汇报PPT——Large-scale Point Cloud Semantic Segmentation with Superpoint Graphs
Dujing2019的博客
01-27 5271
元学习论文​​Optimization as a model for few-shot learning的简单理解_详细注释
02-26
元学习论文​​Optimization as a model for few-shot learning的简单理解，带有论文的详细注释和个人理解
论文记录：Few-Shot Text Classification with Induction Network
qq_14810321的博客
09-27 651
针对问题： 对话系统中的意图识别，因为意图会很多，样本量比较少，因此考虑few-shot的解决方案。 总体架构： 1、encode： text sequence embedding。 Bi-LSTM + Attention （ softmax（M2 * tanh{ M1 * V{1：H} }）） ...
few-shot 论文进展梳理
THE XING
11-01 923
目录1.Few-shot Learning2. Few-Shot Semantic Segmentation3. Few-Shot Object Detection. 1.Few-shot Learning Learning to Select Base Classes for Few-shot Classification [2020 cvpr] The concept of One-shot Learning is proposed by “One-shot learning of object
【Few-Shot Segmentation论文阅读笔记】PANet: Few-Shot Image Semantic Segmentation with Prototype , ICCV, 2019
Raymond_Love的博客
01-12 1974
Abstract Target Question: Few-shot Segmentation 本文主要工作： 基于metric-learning的思想，本文提出了PANet(Prototype Alignment network)，能够更好地利用support set中包含的语义信息，实现小样本语义分割。 算法优点： segmentation阶段没有引入额外的learnable parameters, 减少了over-fitting的可能性 Prototype embedding &amp
元学习论文阅读 | CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification, CVPR2022
RitaRao的博客
06-20 1257
本文主要是参考FEAT的方法进行了进一步的扩展，提出CAD方法，利用了query的信息，并且对query同样进行了信息聚合来微调表示，取得的效果非常好。
【阅读笔记】Learning Intact Features by Erasing-Inpainting for Few-shot Classification
靓仔博客
01-30 3740
在本文中，我们建议通过擦除修复来学习完整的特征，以进行小样本分类。具体来说，我们认为提取目标对象的完整特征更具可转移性，然后提出一种新的交叉集擦除修复（CSEI）方法。CSEI 使用擦除和修复处理支持集中的图像，然后使用它们来增强同一任务的查询集。因此，我们提出的方法产生的特征嵌入可以包含更完整的目标对象信息。此外，我们提出了特定于任务的特征调制，以使特征适应当前任务。在两个广泛使用的基准上进行的大量实验很好地证明了我们提出的方法的有效性，它可以始终如一地为不同的基线方法获得可观的性能提升。
笔记：基于点云的语义分割的小样本学习
weixin_46187561的博客
04-07 1650
笔记：Few-shot learning for tackling open-set generalization： 基于点云的语义分割的应用：场景理解，给点云中每一个点赋予特点的语义标签。（如自动驾驶） 小样本学习的意义：解决太过于依赖大量标定数据，减少成本；可以提高泛化能力,识别未曾见过的目标。 paper1:Few-shot 3D Point Cloud Semantic Segmentation 提出问题： rely on large amounts of labeled trai
few-shot learning 小样本学习---综述
xys430381_1的专栏
05-30 8645
小样本学习（Few-shot Learning）综述 （出自阿里巴巴团队2019年4月） Few-shot Learning: A Survey YAQING WANG1,2 , QUANMING YAO 2019
小样本学习论文总结（few-shot learning）
u010960155的博客
03-24 5874
2011 Lake, Brenden, et al. "One shot learning of simple visual concepts."Proceedings of the annual meeting of the cognitive science society. Vol. 33. No. 33. 2011.[paper] 2013 Socher, Richard, et ...
Rethinking Few-shot 3D Point Cloud Semantic Segmentation
最新发布
03-31
### Few-shot 3D点云语义分割的研究与方法 Few-shot学习是一种机器学习范式，旨在通过少量样本训练模型来完成特定任务。对于3D点云语义分割而言，这一领域面临的主要挑战在于如何有效提取几何特征以及适应新类别时...
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值