用于三维点云语义分割的数量自适应原型学习
计算机视觉与模式识别
2022-10-19 v1
摘要
三维点云语义分割是三维场景理解的基础任务之一，并已广泛应用于元宇宙应用。许多近期三维语义分割方法为每个语义类学习单一原型(分类器权重)，并根据三维点与其最近原型的距分类点。然而，为每个类仅学习一个原型限制了模型描述类内高方差模式的能力。本文中，我们提出使用自适应数量的原型来动态描述语义类内的不同点模式，而非为每个类学习单一原型。借助 vision transformer 的强大能力，我们设计了用于点云语义分割的数量自适应原型学习(NAPL)模型。为训练 NAPL 模型，我们提出了一种简单而有效的原型 dropout 训练策略，使模型能为每个类自适应生成原型。在 SemanticKITTI 数据集上的实验结果表明，相较基于逐点分类范式的基线模型，我们的方法取得了 2.3% mIoU 的提升。
引用
@article{arxiv.2210.09948,
title = {Number-Adaptive Prototype Learning for 3D Point Cloud Semantic Segmentation},
author = {Yangheng Zhao and Jun Wang and Xiaolong Li and Yue Hu and Ce Zhang and Yanfeng Wang and Siheng Chen},
journal= {arXiv preprint arXiv:2210.09948},
year = {2022}
}