点云分段中新类别发现的双层自标签适应方法
计算机视觉与模式识别
2024-07-18 v1
摘要
我们解决了点云分段中的新类别发现问题，即基于已见类别的语义知识发现新类别。现有工作提出了一种基于简化的等类别大小约束的在线点级聚类方法，以避免出现退化解。然而，点云中新类别的内在不平衡分布通常违反了等类别大小约束。此外，点级聚类忽略了对象的丰富空间上下文信息，导致语义分割表示不够表达。为了解决上述挑战，我们提出一种自适应生成不平衡类别高质量伪标签的自标签策略。此外，我们开发了双层表示，将区域一致性纳入点级分类器学习中，以减少生成分段中的噪声。最后，我们在两个广泛使用的数据集上进行了大量实验，结果表明我们的方法在 SOTA 基础上显著优于。
引用
@article{arxiv.2407.12489,
title = {Dual-level Adaptive Self-Labeling for Novel Class Discovery in Point Cloud Segmentation},
author = {Ruijie Xu and Chuyu Zhang and Hui Ren and Xuming He},
journal= {arXiv preprint arXiv:2407.12489},
year = {2024}
}
备注
Accepted by ECCV2024