学习分组：一种用于未见类别三维部件发现的自底向上框架
计算机视觉与模式识别
2021-09-21 v4 机器学习
摘要
我们解决未见类别物体三维部件发现问题。学习部件的几何先验并将该先验迁移到未见类别，对数据驱动的形状分割方法提出了根本挑战。我们将该问题表述为上下文赌博机问题，提出一种基于学习的凝聚式聚类框架，其学习一种分组策略，以自底向上的方式逐步将小的部件提议聚为更大的部件。我们方法的核心在于限制提取部件级特征的局部上下文，这促进了对未见类别的泛化能力。在大规模细粒度三维部件数据集 PartNet 上，我们证明我们的方法能将从 3 个训练类别学到的部件知识迁移到 21 个未见测试类别，而无需见任何标注样本。与四种形状分割基线的定量比较表明，我们的方法达到了最先进的性能。
引用
@article{arxiv.2002.06478,
title = {Learning to Group: A Bottom-Up Framework for 3D Part Discovery in Unseen Categories},
author = {Tiange Luo and Kaichun Mo and Zhiao Huang and Jiarui Xu and Siyu Hu and Liwei Wang and Hao Su},
journal= {arXiv preprint arXiv:2002.06478},
year = {2021}
}
备注
ICLR2020