用于消除点云语义分割中类别不平衡的子空间原型引导
计算机视觉与模式识别
2024-10-08 v2
摘要
点云语义分割可显著提升智能体的感知能力。然而，分割网络的判别能力受到不同类别样本数量的影响。为消除由类别不平衡引起的认知偏差，本文引入了一种新方法，即子空间原型引导（SPG），以指导分割网络的训练。具体而言，首先将点云按类别划分为独立的点集，以提供特征子空间生成的初始条件。由编码器和投影头组成的辅助分支将这些点集映射到独立的特征子空间。随后，提取当前独立子空间中的特征原型，然后与历史子空间的原型相结合，用于引导主分支的特征空间，以增强少数类别特征的判别性。来自主分支特征空间的原型也用于引导辅助分支的训练，形成一种监督回路，以维持整个网络的一致收敛。在大型公开基准（即 S3DIS、ScanNet v2、ScanNet200、Toronto-3D）和收集的真实世界数据上的实验表明，所提方法显著提高了分割性能，并超越了当前最先进的方法。代码已公开 \url{https://github.com/Javion11/PointLiBR.git}。
引用
@article{arxiv.2408.10537,
title = {Subspace Prototype Guidance for Mitigating Class Imbalance in Point Cloud Semantic Segmentation},
author = {Jiawei Han and Kaiqi Liu and Wei Li and Guangzhi Chen},
journal= {arXiv preprint arXiv:2408.10537},
year = {2024}
}
备注
This paper is accepted by ECCV2024 at https://eccv.ecva.net/virtual/2024/poster/2272