基于几何词的广义少样本点云分割
计算机视觉与模式识别
2023-09-21 v1
摘要
现有的全监督点云分割方法在具有新兴新类的动态测试环境中表现不佳。少样本点云分割算法通过学习适应新类来解决此问题，但以牺牲基类分割精度为代价，这严重阻碍了其实用性。这在很大程度上促使我们首次尝试一种更实用的广义少样本点云分割范式，该范式要求模型仅用少量支撑点云泛化到新类别，同时保留分割基类的能力。我们提出几何词来表示基类和 novel 类之间共享的几何组件，并将其纳入一种新颖的几何感知语义表示中，以促进在不遗忘旧类的情况下更好地泛化到新类。此外，我们引入几何原型以几何先验知识引导分割。在S3DIS和ScanNet上的大量实验一致表明我们的方法相对于基线方法的优越性能。我们的代码可在 https://github.com/Pixie8888/GFS-3DSeg_GWs 获取。
引用
@article{arxiv.2309.11222,
title = {Generalized Few-Shot Point Cloud Segmentation Via Geometric Words},
author = {Yating Xu and Conghui Hu and Na Zhao and Gim Hee Lee},
journal= {arXiv preprint arXiv:2309.11222},
year = {2023}
}
备注
Accepted by ICCV 2023