基于泰勒级数灵感的few-shot点云语义分割局部结构拟合网络
计算机视觉与模式识别
2025-04-04 v1
摘要
few-shot点云语义分割旨在使用有限的标记数据准确分割点云场景中的“未见”新类别。然而，基于预训练的方法不仅引入了不必要的计算开销，还忽略了不规则点云之间局部结构的表示。为此，我们提出一种无需预训练的局部结构拟合网络，用于few-shot点云语义分割，命名为TaylorSeg。具体而言，灵感来自泰勒级数，我们将不规则点云的局部结构表示视为多项式拟合问题，提出一种新颖的局部结构拟合卷积，称为TaylorConv。该卷积从点云局部几何结构的显式编码中学习其低阶基本信息和高阶细化信息。随后，我们以TaylorConv为基本组件构建了两种TaylorSeg变体：一种非参数化的TaylorSeg-NN和一种参数化的TaylorSeg-PN。前者无需预训练即可实现与现有参数化模型相当的性能。后者配备了自适应推拉（APP）模块，以缓解查询集和支持集之间特征分布的差异。广泛的实验验证了所提方法的有效性。值得注意的是，在2-way 1-shot设置下，TaylorSeg-PN在S3DIS和ScanNet数据集上分别实现了+2.28%和+4.37%的mIoU提升，超越了之前的最先进方法。我们的代码已公开，地址为https://github.com/changshuowang/TaylorSeg。
引用
@article{arxiv.2504.02454,
title = {Taylor Series-Inspired Local Structure Fitting Network for Few-shot Point Cloud Semantic Segmentation},
author = {Changshuo Wang and Shuting He and Xiang Fang and Meiqing Wu and Siew-Kei Lam and Prayag Tiwari},
journal= {arXiv preprint arXiv:2504.02454},
year = {2025}
}