基于少样本学习的CAM/CAD点云零件分割
图像与视频处理
2022-07-19 v2 人工智能
计算机视觉与模式识别
摘要
三维零件分割是先进CAM/CAD工作流中的关键步骤。精确的三维分割有助于降低制造设备（如计算机控制的CNC）所生产工件的缺陷率，从而提升工作效率并获得相应经济效益。现有大量三维模型分割工作多基于全监督学习，使用大规模标注数据集训练AI模型。然而其缺陷在于，全监督学习方法所得模型高度依赖可用数据集的完备性，且对新未知分割类型（即进一步新增的类别）的泛化能力相对较差。本工作中，我们提出并开发了一种值得关注的基于少样本学习的方法，用于CAM/CAD中有效的零件分割；其设计旨在通过仅使用相对较少的样本显著增强泛化能力并灵活适应新分割任务。因此，它不仅降低了对通常难以获取且完备的监督数据集的要求，也提升了实际应用的灵活性。作为进一步改进与创新，我们还在网络中额外采用了transform net与center loss block。这些特性有助于提升对整工件各种可能实例的三维特征理解，并确保特征空间中同类别的紧密分布。
引用
@article{arxiv.2207.01218,
title = {CAM/CAD Point Cloud Part Segmentation via Few-Shot Learning},
author = {Jiahui Wang and Haiyue Zhu and Haoren Guo and Abdullah Al Mamun and Vadakkepat Prahlad and Tong Heng Lee},
journal= {arXiv preprint arXiv:2207.01218},
year = {2022}
}
备注
7 pages, 5 figures