SASep: 面向点云开集学习的显著性感知几何与特征结构化分离
计算机视觉与模式识别
2025-06-17 v1
摘要
深度学习的最新进展极大地提升了三维目标识别能力，但大多数模型仅限于闭集场景，无法处理真实应用中的未知样本。开集识别（OSR）通过使模型既能分类已知类别又能识别新类别来解决这一局限。然而，现有的 OSR 方法依赖全局特征来区分已知和未知类别，将整个目标均匀对待，忽略了其不同部分具有不同的语义重要性。为填补这一空白，本文提出显著性感知结构化分离（SASep），包括 (i) 一个可调语义分解（TSD）模块，用于将目标语义分解为重要部分和不重要部分，(ii) 一个几何合成策略（GSS），通过组合这些不重要部分生成伪未知目标，以及 (iii) 一个合成辅助边界分离（SMS）模块，通过扩展类别间的特征分布来增强特征级分离。这些组件共同改进了几何和特征表示，提升了模型有效区分已知和未知类别的能力。实验结果表明，SASep 在三维 OSR 中取得了优于现有最先进方法的性能。
引用
@article{arxiv.2506.13224,
title = {SASep: Saliency-Aware Structured Separation of Geometry and Feature for Open Set Learning on Point Clouds},
author = {Jinfeng Xu and Xianzhi Li and Yuan Tang and Xu Han and Qiao Yu and Yixue Hao and Long Hu and Min Chen},
journal= {arXiv preprint arXiv:2506.13224},
year = {2025}
}
备注
10 pages, conference