面向三维形状少样本分割的度量空间元学习

近期研究出现了众多基于监督学习的三维形状分割方法，并在各类基准数据集上取得了令人瞩目的性能。这些监督方法需要大量标注数据来训练深度神经网络，以保证在未见测试集上的泛化能力。本文中，我们引入一种基于元学习的方法用于少样本三维形状分割，其中仅为未见类别提供少量标注样本。为此，我们将形状分割视为度量空间中的点标注问题。具体而言，我们首先设计一个元度量学习器将输入形状变换到嵌入空间，我们的模型基于点嵌入为每个对象类别学习一个恰当的度量空间。然后，对于每个类别，我们设计一个度量学习器从少量支持形状中提取部件特定的原型表示，我们的模型通过将每个点与所学度量空间中最近的原型匹配，在查询形状上执行逐点分割。采用基于度量的损失函数动态修正点嵌入间距离，从而最大化部件内相似性并最小化部件间相似性。采用双分割分支以充分利用支持信息，并隐式鼓励支持与原型间的一致性。在少样本设定下，我们在ShapeNet部件数据集上展示了相较成熟的基线与最先进的半监督方法的优越性能。