【点云识别】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels(CVPR 2020)

最新推荐文章于 2025-01-08 11:27:40 发布
原创 最新推荐文章于 2025-01-08 11:27:40 发布 · 1.5k 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#点云识别

Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels

本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。
论文
目前还没有开源代码

1. 问题

点云的弱监督分割

2. 思想

在这里插入图片描述
根据弱监督的特点，提出了incomplete supervision branch 和 inexact supervision branch。 同时，作者认为任何一个点label的预测都应该是旋转不变的，于是提出了 siamese branch。最后由于3D形状和场景在空间和颜色上都是平滑的，本文又相应的增加smooth branch。

3. 算法

3.1 Incomplete Supervision Branch

在这里插入图片描述
论文中有个小推导，得到结论是监督和弱监督方法的梯度差是服从正态分布的。

3.2

最低0.47元/天 解锁文章
HybridCR：基于混合对比正则化的弱监督3D点云语义分割（CVPR 2022）
3D视觉工坊
09-05 818
HybridCR: Weakly-Supervised 3D Point Cloud Semantic Segmentation via Hybrid Contrastive Regularization论文：https://openaccess.thecvf.com/content/CVPR2022/html/Li_HybridCR_ Weakly-Supervised_3D_ Point_Cl...
论文笔记（七）泛读 ：Weakly Supervised Region Proposal Network and Object Detection
lzr_ps的博客
01-30 1574
文章目录论文笔记（7）泛读 ：Weakly Supervised Region Proposal Network and Object Detectionmethod候选框粗糙生成候选框微调弱监督检测网络experiment 论文笔记（7）泛读 ：Weakly Supervised Region Proposal Network and Object Detection -------------...
CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels
zihao_c的博客
11-18 1744
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×FewerLabels （本文是看完了这篇论文做的总结，有不对的地方欢迎指出） 摘要 针对点云的分析最近受到了很多关注，而分割又是其中最重要的任务之一。目前针对此任务的方法是设计深度网络和做大量的数据标记。本文作者认为做标记是一直有效的方式。 但是标记数据太过费时，所以本文提出了弱监督，只需要标记10%的数据，便可以近似达到全监督的效果。 方法是： 学习梯度近似（.
【点云语义分割】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels（CVPR 2020）
sinat_26743719的博客
06-30 1196
论文链接 代码链接 Motivation 弱监督工作都是利用少的标记样本去做更好的预测结果，本文的弱监督包括不完全监督，即只有少量的点带有准确的label；不准确监督，即点云的每个sample都带有一个不准确的label，文章将这两种弱监督的方式互为补充。之后用Siamese Self-Supervision的技术去处理没有label的点云，此外，文章的写作和分析都很到位。 概念陈述 把点云标记为BBB个独立的shapes或者房间块，记做{Xb}b=1⋯B\left\{\mathbf{X}_{b}\ri.
CVPR 2020——Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels
Dujing2019的博客
05-09 1681
Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer LabelsAbstract（一）Introduction（二） Related Work（三）Methodology3.1 Point Cloud Encoder Network3.2. Incomplete Supervision Branch3.3. Inexact Supervision Branch3.4. Siamese Self-Supervision3
【3D点云】弱监督点云分割（论文解读 CVPR2020）
qq_45752541的博客
09-01 3311
在这项工作中，我们提出了一种弱监督点云分割方法，它只需要一小部分的点被标记。这是通过学习梯度近似和利用额外的空间和颜色平滑约束来实现。在三个不同程度的弱监督的公共数据集上进行了实验。在本文中，我们发现现有的点云 encoder network 只需要少量的标记点，就可以为点云分割任务产生非常具有竞争力的性能。我们从统计学的角度提供分析，并洞察了固定标签预算下的注释策略。此外，我们提出了三个额外的训练损失，即不精确监督、孪生自监督、空间和色彩平滑，进一步规范模型。......
【点云识别】Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds
Orientliu96的博客
04-21 1609
Multi-Path Region Mining ForWeakly Supervised 3D Semantic Segmentation on Point Clouds 本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。 论文 目前还没有开源代码 1. 问题 目前获得大规模点云已经不是一件困难的事情了，但是对其进行标注是十分费时。 例如 ScanNet 数据集，对一个scan标注时间的...
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1226
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
大规模点云的弱监督语义分割
qq_45745941的博客
04-05 1218
值得注意的是，通道L中的值被复制到每个点的3倍，以保持与分割任务的输入相同的维度。具体来说，对于每个类，根据类赋值矩阵S，选择前k个无标记点，得到mask Mk∈{0,1}N×C，其中mkic = 1表示第i个点的嵌入是与类c相似的前k个点，N是无标记点的个数。此外，为了学习每个点的局部颜色分布，我们引入了一个局部感知正则化项。因此，我们使用标记点为未标记点分配伪标签，并进一步提供额外的监督信息来改进弱监督网络的表示。同一类别的物体通常具有相似的颜色分布，例如植被通常是绿色的，而道路是黑色的。
CVPR 2020 3D点云 Point Cloud 文章汇总
成长的竹
06-19 7877
点云文章列表 近年来，对于点云处理的研究越来越火热。Github上面有一个工程，汇总了从2017年以来各大会议上点云论文，awesome-point-cloud-analysis ,但尚未包括刚刚release的CVPR2020中的点云论文。 本文主要整理CVPR2020中的点云相关论文，总共70多篇，供大家查阅，后期还会持续更新文章分类和解读。 欢迎来到点云世界。 CVPR2020 点云文章汇总 Upgrading Optical Flow to 3D Scene Flow Through Optica
《论文阅读》Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds
未知丶的博客
11-22 643
留个笔记自用 Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds 做什么 Instance segmentation实例分割 目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance
论文阅读：Weakly-Supervised Semantic Segmentation via Sub-Category Exploration
m0_43409779的博客
11-21 2270
Abstract Introduction Related Work Weakly-Supervised Semantic Segmentation Algorithm Overview Preliminaries: Initial Response via CAM.
CVPR 2024 3D Point Cloud(点云处理)方向总汇
最新发布
qq_36812406的博客
01-08 2025
1、2024年CVPR 3D点云数据方向总汇。
【论文阅读】Weakly Supervised Semantic Segmentation using Out-of-Distribution Data
rocking_struggling的博客
11-17 1203
作者认为在WSSS任务中，会出现前景任务和背景任务的一些虚假的相关性，比如车轨和火车。作者利用分类器可能做出错误判断的方法，标注一些分布外(Out-of-Distribution)的数据。用这些数据提供的cue，来减弱分割中的错误关联性。该消耗了较小的标注成本，效果较好。
CVPR2020开源论文（部分带阅读笔记）
热门推荐
知识混子_的博客
05-29 3万+
CVPR2020论文开源项目合集CNNExploring Self-attention for Image RecognitionImproving Convolutional Networks with Self-Calibrated ConvolutionsRethinking Depthwise Separable Convolutions: How Intra-Kernel Correlations Lead to Improved MobileNets图像分类Compositional Convo
【cvpr2022-论文笔记】《Multi-class Token Transformer for Weakly Supervised Semantic Segmentation》
m0_62581245的博客
10-16 2581
本文的方向是弱监督语义分割，伪标签使用Vision Transformer分类架构来生成，使用image-level的标注信息 理解本文需要了解传统卷积网络生成CAM的过程，并且要懂ViT的自注意力模块 文章把他们的模型分为了 V1 和 更丰富的V2两个版本 ，下面分别来说 MCTformer-V1 上面就是整体的网络结构图 首先按照ViT的做法，把图片切成N*N个patch，每个patch拉成一个向量，embedding之后每个patch向量维度为D，本文把这些patch向量称为pat
论文阅读笔记：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image
weixin_45055102的博客
12-04 677
论文阅读笔记：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image 论文题目：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image 代码链接：https://github.com/NJU-hyx/Hyperspectral-Image-Semantic-Segmentation-in-Cityscapes 一、
2020CVPR:Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
THE XING
04-13 4966
[2020 CVPR (Oral)] Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation 目录
论文笔记：PR2021 Weakly-supervised semantic segment with superpixel guided local and global consistency
Blair_2的博客
03-02 1807
1.Introduction 大多image-level weakly监督方法步骤： 1） 使用class activation map (CAM)模型提取高分类置信度区域作为初始种子点。 2）精调种子点以获得伪标签。 3） 训练一个全监督网络，利用这些伪标签得到分割结果。 现存方法多集中于2），比如使用亲和性矩阵去调整初始化种子点，但这些方法都针对局部亲和性关系，忽略了图像一致性信息。本文提出超像素引导机制，同时利用超像素的局部和全局一致性，去获取更好的全局亲和性信息。 2.Method
Regional Semantic Contrast and Aggregation for Weakly Supervised Semantic Segmentation
04-05
Weakly supervised semantic segmentation is a challenging task where only image-level labels are available for training. In this paper, we propose a novel approach that utilizes regional semantic ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值