面向三维室内点云的合成到真实域泛化语义分割
计算机视觉与模式识别
2022-12-12 v1
摘要
三维室内场景的语义分割在大规模标注数据监督下已取得显著性能。然而，以往工作依赖于训练与测试数据同分布的假设，当在分布外场景上评估时可能出现性能下降。为缓解标注成本与性能下降问题，本文将该任务引入合成到真实域泛化设定。具体而言，合成与真实世界点云数据之间的域差距主要在于不同的布局与点模式。为解决这些问题，我们首先提出一种聚类实例混合（CINMix）增强技术以丰富源数据的布局。此外，我们对源数据的点模式进行增强，并引入非参数多原型以改善由增强点模式放大的类内方差。多原型能够在训练与推理阶段建模类内方差并修正全局分类器。在合成到真实基准上的实验表明，CINMix与多原型均能缩小分布差距，从而提升在真实世界数据集上的泛化能力。
引用
@article{arxiv.2212.04668,
title = {Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds},
author = {Yuyang Zhao and Na Zhao and Gim Hee Lee},
journal= {arXiv preprint arXiv:2212.04668},
year = {2022}
}