少样本 3D 点云语义分割
计算机视觉与模式识别
2021-03-30 v2
摘要
许多现有的 3D 点云语义分割方法均为全监督方法。这些全监督方法严重依赖大量难以获取的标注训练数据，且在训练后无法分割新类别。为缓解这些局限性，我们提出了一种新颖的注意力感知多原型直推式少样本点云语义分割方法，可在给定少量标注样本的情况下分割新类别。具体而言，每个类别由多个原型表示，以建模标注点的复杂数据分布。随后，我们采用直推式标签传播方法，利用标注多原型与未标注点之间以及未标注点之间的亲和性。此外，我们设计了一个注意力感知的多级特征学习网络，以学习捕获点之间几何依赖关系和语义相关性的判别性特征。与基线方法相比，我们提出的方法在两个基准数据集的不同少样本点云语义分割设置（即 2/3-way 1/5-shot）下均显示出显著且一致的改进。我们的代码可在 https://github.com/Na-Z/attMPTI 获取。
引用
@article{arxiv.2006.12052,
title = {Few-shot 3D Point Cloud Semantic Segmentation},
author = {Na Zhao and Tat-Seng Chua and Gim Hee Lee},
journal= {arXiv preprint arXiv:2006.12052},
year = {2021}
}
备注
CVPR 2021