65、探索 Geodesic-Former：用于少样本 3D 点云实例分割的新方法

探索 Geodesic-Former：用于少样本 3D 点云实例分割的新方法

1. 背景与动机

在 3D 点云实例分割领域，少样本学习是一个具有挑战性的问题。传统方法在处理少样本情况时，往往会遇到前景（FG）和背景（BG）分类混淆的问题。为了解决这些问题，提出了 Geodesic-Former 方法，旨在实现更高效、准确的少样本 3D 点云实例分割。

2. 方法概述

• 不进行对象类别预测 ：由于在训练和测试阶段的少样本设置中存在 FG 和 BG 混淆的问题，不直接预测对象类别。而是使用相似性网络来过滤前景锚点。
• 动态卷积 ：为动态卷积准备特征，其权重由变压器解码器预测。掩码头以查询点特征 $F_q \in R^{N_q×d}$ 为输入，通过应用两个带有批量归一化（Batch Norm）和 ReLU 的多层感知机（MLP）块，生成掩码特征 $F_{mask} \in R^{N_q×d}$。同时，将每个锚点 $i$ 的测地距离嵌入 $G_i \in R^{N_q×d}$ 直接附加到掩码特征上，以获得最终的实例掩码 $\hat{m} i \in [0, 1]^{N_q×1}$，公式如下：
  $\hat{m}_i = Conv([F {mask}; G_i]; W_i)$
  其中 $[·; ·]$ 是连接操作，Conv 由多个卷积层实现。

3. 训练策略

• 预训练 ：
  • 对 U-Net 骨干网络、掩码