基于证据的动态校准的点云分段广义零样本学习
计算机视觉与模式识别
2025-09-11 v1
摘要
广义零样本语义分割 3D 点云旨在将每个点分类为既见类（seen classes）又未见类（unseen classes）中的类别。这些模型的一个显著挑战是倾向于偏向训练期遇到的类别，从而产生偏置性预测。这一问题在 3D 应用中尤为突出，因为训练数据的规模通常小于图像基任务。为解决此问题，我们提出一种新方法 E3DPC-GZSL，通过整合证据基不确定性估计算子于分类器中，以降低对既见类的高置信度预测，同时无需为既见数据和未见数据分别构建分类器。E3DPC-GZSL 通过动态校准堆叠因子来调整预测概率，该因子考虑了点级预测的不确定性。此外，E3DPC-GZSL 引入新颖的训练策略，通过将可学习参数与文本派生特征融合，改进语义空间，从而提升对未见数据的模型优化。广泛实验表明，所提方法在广义零样本语义分割数据集（包括 ScanNet v2 和 S3DIS）上实现了最佳性能。
关键词
引用
@article{arxiv.2509.08280,
title = {Generalized Zero-Shot Learning for Point Cloud Segmentation with Evidence-Based Dynamic Calibration},
author = {Hyeonseok Kim and Byeongkeun Kang and Yeejin Lee},
journal= {arXiv preprint arXiv:2509.08280},
year = {2025}
}
备注
20 pages, 12 figures, AAAI 2025