基于对比自监督与多分辨率注意力的少样本点云语义分割
计算机视觉与模式识别
2023-02-22 v1
摘要
本文提出一种面向真实世界应用的有效少样本点云语义分割方法。现有的点云少样本分割方法严重依赖基于大型标注数据集的全监督预训练，这导致所学特征提取偏向于那些预训练类别。然而，由于少样本学习的目的是处理未知/未见类别，此类预训练中的类特定特征提取并不利于泛化到新类别。此外，由于点云标注困难，点云数据集很难拥有大量类别。为解决这些问题，我们提出一种用于少样本学习预训练的对比自监督框架，旨在通过类无关的对比监督消除特征提取偏差。具体而言，我们实现了一种带有可学习增强器的新型对比学习方法，用于 3D 点云以实现逐点区分，从而通过自监督以可控过拟合增强预训练。此外，我们开发了一种利用最近点与最远点的多分辨率注意力模块，以更有效地提取局部与全局点信息，并采用中心集中的多原型来缓解类内稀疏性。我们进行了综合实验来评估所提方法，结果表明我们的方法达到了最先进的性能。此外，给出了一个实际 CAM/CAD 分割的案例研究，以证明我们的方法在真实世界应用中的有效性。
引用
@article{arxiv.2302.10501,
title = {Few-Shot Point Cloud Semantic Segmentation via Contrastive Self-Supervision and Multi-Resolution Attention},
author = {Jiahui Wang and Haiyue Zhu and Haoren Guo and Abdullah Al Mamun and Cheng Xiang and Tong Heng Lee},
journal= {arXiv preprint arXiv:2302.10501},
year = {2023}
}
备注
ICRA 2023