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

最新推荐文章于 2023-04-05 12:58:30 发布
最新推荐文章于 2023-04-05 12:58:30 发布
阅读量1.4k 收藏 1
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 点云识别 文章标签： 点云识别
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。
本文链接：https://blog.youkuaiyun.com/Orientliu96/article/details/105703067

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

200万优质内容无限畅学
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
09-05 785
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...
CVPR 2024 3D Point Cloud(点云处理)方向总汇
最新发布
qq_36812406的博客
01-08 1744
1、2024年CVPR 3D点云数据方向总汇。
CVPR 2020 论文总结：Weakly Supervised Semantic Point Cloud Segmentation: Towards 10×Fewer Labels
zihao_c的博客
11-18 1673
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 1162
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 1633
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 3131
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 1553
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 1172
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 1120
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 7795
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
11-22 611
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 2230
Abstract Introduction Related Work Weakly-Supervised Semantic Segmentation Algorithm Overview Preliminaries: Initial Response via CAM.
【论文阅读】Weakly Supervised Semantic Segmentation using Out-of-Distribution Data
rocking_struggling的博客
11-17 1176
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
2020CVPR:Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation
THE XING
04-13 4852
[2020 CVPR (Oral)] Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation 目录
论文笔记（七）泛读 ：Weakly Supervised Region Proposal Network and Object Detection
lzr_ps的博客
01-30 1547
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 -------------...
论文阅读笔记：Weakly-supervised Semantic Segmentation in Cityscape via Hyperspectral Image
weixin_45055102的博客
12-04 647
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、
【cvpr2022-论文笔记】《Multi-class Token Transformer for Weakly Supervised Semantic Segmentation》
m0_62581245的博客
10-16 2494
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
论文笔记：PR2021 Weakly-supervised semantic segment with superpixel guided local and global consistency
Blair_2的博客
03-02 1781
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 contrast and aggregation to improve the performance of weakly supervised semantic segmentation. First, we introduce a regional semantic contrast loss that encourages the model to focus on regions with high semantic contrast, i.e., regions where the difference between the foreground and background classes is high. Specifically, we compute the semantic contrast map by subtracting the predicted probability of the background class from the predicted probability of the foreground class, and then apply a Gaussian filter to smooth the map. Second, we propose a regional aggregation module that aggregates the features of each region to obtain a more representative feature representation. The module consists of a region proposal network that generates candidate regions based on the semantic contrast map, and a region-based pooling layer that pools the features within each region. Finally, we combine the regional semantic contrast loss and the regional aggregation module with a standard cross-entropy loss to train the model. Experimental results on the PASCAL VOC 2012 dataset demonstrate that our approach achieves state-of-the-art performance among weakly supervised methods, and even outperforms some fully supervised methods.
评论
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