用于少样本点云语义分割的多视图比较组合原型网络
计算机视觉与模式识别
2020-12-29 v1
摘要
点云分割是 3D 视觉中的一项基础视觉理解任务。全监督的点云分割网络通常需要大量带有逐点标注的数据，而获取这些数据成本高昂。在本工作中，我们提出了组合原型网络，能够仅使用少量带标签的训练数据进行点云分割。受图像领域少样本学习文献的启发，我们的网络直接将标签信息从有限的训练数据迁移到未标记的测试数据进行预测。该网络将复杂点云数据的表示分解为一组局部区域表示，并利用它们计算视觉概念的组合原型。我们的网络包含一个关键的多视图比较组件，利用了支持集的冗余视图。为了评估所提出的方法，我们创建了一个新的分割基准数据集 ScanNet-，该数据集构建于 ScanNet 数据集之上。大量实验表明，我们的方法以显著优势优于基线。此外，当我们使用该网络处理全监督点云分割数据集中的长尾问题时，它也能有效提升少样本类别的性能。
引用
@article{arxiv.2012.14255,
title = {Compositional Prototype Network with Multi-view Comparision for Few-Shot Point Cloud Semantic Segmentation},
author = {Xiaoyu Chen and Chi Zhang and Guosheng Lin and Jing Han},
journal= {arXiv preprint arXiv:2012.14255},
year = {2020}
}