面向三维点云场景少样本语义分割的双向特征全局化方法
计算机视觉与模式识别
2022-11-03 v3
摘要
点云的少样本分割仍是一项具有挑战性的任务，因为目前没有有效的方法将局部点云信息转换为全局表示，这阻碍了点特征的泛化能力。在本研究中，我们提出了一种双向特征全局化（BFG）方法，该方法利用点特征与原型向量之间的相似性度量，以双向方式将全局感知嵌入到局部点特征中。通过点至原型全局化（Po2PrG），BFG根据从稠密点特征到稀疏原型的相似性权重，将局部点特征聚合到原型。通过原型至点全局化（Pr2PoG），基于从稀疏原型到稠密点特征的相似性权重，将全局感知嵌入到局部点特征中。每个类别嵌入了全局感知的稀疏原型被汇总为单一原型，用于基于度量学习框架的少样本三维分割。在S3DIS和ScanNet上的大量实验表明，BFG显著优于当前最先进的方法。
引用
@article{arxiv.2208.06671,
title = {Bidirectional Feature Globalization for Few-shot Semantic Segmentation of 3D Point Cloud Scenes},
author = {Yongqiang Mao and Zonghao Guo and Xiaonan Lu and Zhiqiang Yuan and Haowen Guo},
journal= {arXiv preprint arXiv:2208.06671},
year = {2022}
}
备注
3DV2022 Oral