三维点云物体的零样本学习
计算机视觉与模式识别
2019-02-28 v1
摘要
近期的深度学习架构能够较好地识别先前所见类别的三维点云物体实例。与此同时,当前的三维深度相机技术可从任意场景中生成/分割大量三维点云物体,而这些物体并无先前见过的训练数据。因此,三维点云识别系统面临的一个挑战是对来自新的、未见过类别的物体进行分类。该问题可通过采用针对三维数据的零样本学习(zero-shot learning, ZSL)方法来解决,类似于同一问题的二维图像版本。ZSL 试图通过比较所见类别与未见类别的语义信息(属性/词向量)来对未见物体分类。在此,我们将若干近期三维点云识别系统适配至 ZSL 设定,并对其架构做了一些改动。据我们所知,这是在 ZSL 设定下对未见三维点云物体进行分类的首次尝试。我们还提出了评估此类系统的标准协议(包括数据集选择和所见/未见划分)。在所研究的模型上使用该新协议报告了基线性能。本探究向三维点云识别领域抛出了一个新挑战,或许可激发大量未来工作。
引用
@article{arxiv.1902.10272,
title = {Zero-shot Learning of 3D Point Cloud Objects},
author = {Ali Cheraghian and Shafin Rahman and Lars Petersson},
journal= {arXiv preprint arXiv:1902.10272},
year = {2019}
}