基于多级一致性与部件替换的半监督三维形状分割
计算机视觉与模式识别
2022-04-21 v2
摘要
细粒度三维形状分割数据的缺乏是发展基于学习的三维分割技术的主要障碍。我们提出了一种有效的半监督方法，从少量带标签的三维形状和大量无标签的三维数据中学习三维分割。对于无标签数据，我们提出了一种新颖的多级一致性损失，以在多个层级（点级、部件级和层级）上强制一个三维形状的扰动副本之间网络预测的一致性。对于带标签数据，我们开发了一种简单而有效的部件替换方案，通过更多的结构变化来增强带标签的三维形状以加强训练。我们的方法已在 PartNet 和 ShapeNetPart 上的三维物体语义分割任务，以及 ScanNet 上的室内场景语义分割任务上进行了广泛验证。它展现出优于现有半监督和无监督预训练三维方法的性能。我们的代码和训练好的模型公开于 https://github.com/isunchy/semi_supervised_3d_segmentation。
引用
@article{arxiv.2204.08824,
title = {Semi-supervised 3D shape segmentation with multilevel consistency and part substitution},
author = {Chun-Yu Sun and Yu-Qi Yang and Hao-Xiang Guo and Peng-Shuai Wang and Xin Tong and Yang Liu and Heung-Yeung Shum},
journal= {arXiv preprint arXiv:2204.08824},
year = {2022}
}
备注
Computational Visual Media 2022. Project page: https://isunchy.github.io/projects/semi_supervised_3d_segmentation.html