通过条件信道容量最大化提高 3D 点云开放集无限语义分割性能：初步结果
计算机视觉与模式识别
2025-05-20 v1 信号处理
摘要
点云语义分割支撑着广泛的关键应用。尽管近期的深度架构和大规模数据集推动了令人印象深刻的封闭集性能，但这些模型在识别或正确分割训练类别之外的物体方面仍感到挑战。这一差距激发了对开放集语义分割 (O3S) 的兴趣，在该领域模型必须正确标记已知类别并检测新出现的、未见的类别。在本文中，我们提出了一个即插即用的框架用于 O3S。通过将分割管道建模为条件马尔可夫链，我们推导出一种新颖的正则化项，称为条件信道容量最大化 (3CM)，该方法最大化特征与预测之间在每个类别条件下的互信息。当被纳入标准损失函数时，3CM 鼓励编码器保留更丰富、标签依赖的特征，从而增强网络区分和分割以前未见类别的能力。实验结果表明该方法在检测未见物体方面有效。我们进一步概述了未来方向，以实现动态开放世界适应和高效信息论估计。
引用
@article{arxiv.2505.11521,
title = {Improving Open-Set Semantic Segmentation in 3D Point Clouds by Conditional Channel Capacity Maximization: Preliminary Results},
author = {Wang Fang and Shirin Rahimi and Olivia Bennett and Sophie Carter and Mitra Hassani and Xu Lan and Omid Javadi and Lucas Mitchell},
journal= {arXiv preprint arXiv:2505.11521},
year = {2025}
}