PriFit：学习拟合基元以改进少样本点云分割
计算机视觉与模式识别
2022-06-24 v2
摘要
我们提出 PriFit，一种用于标签高效学习三维点云分割网络的半监督方法。PriFit 将几何基元拟合与基于点的表示学习相结合。其关键思想是学习点表示，使其聚类能够揭示可由基本几何基元（如长方体和椭球体）良好近似的形状区域。所学到的点表示随后可在现有的三维点云分割网络架构中复用，并在少样本设定下提升其性能。根据我们在广泛使用的 ShapeNet 和 PartNet 基准上的实验，PriFit 在该设定下优于多种最先进（state-of-the-art）方法，表明可分解为基元是学习可预测语义部件表示的有用先验。我们展示了一系列消融实验，改变几何基元的选择与下游任务，以证明该方法的有效性。
引用
@article{arxiv.2112.13942,
title = {PriFit: Learning to Fit Primitives Improves Few Shot Point Cloud Segmentation},
author = {Gopal Sharma and Bidya Dash and Aruni RoyChowdhury and Matheus Gadelha and Marios Loizou and Liangliang Cao and Rui Wang and Erik Learned-Miller and Subhransu Maji and Evangelos Kalogerakis},
journal= {arXiv preprint arXiv:2112.13942},
year = {2022}
}