LogoSP: 3D点群の教師なしセマンティックセグメンテーションのためのスーパーポイントの局所-大域グルーピング
LogoSP: Local-global Grouping of Superpoints for Unsupervised Semantic Segmentation of 3D Point Clouds
点群の局所特徴と大域特徴を周波数領域で組み合わせてスーパーポイントをグルーピングし、教師なし3Dセマンティックセグメンテーションで最高性能を達成した研究。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Zihui Zhang, Weisheng Dai, Hongtao Wen, Bo Yang
分類: cs.CV, cs.AI, cs.LG, cs.RO
原文アブストラクト
We study the problem of unsupervised 3D semantic segmentation on raw point clouds without needing human labels in training. Existing methods usually formulate this problem into learning per-point local features followed by a simple grouping strategy, lacking the ability to discover additional and possibly richer semantic priors beyond local features. In this paper, we introduce LogoSP to learn 3D semantics from both local and global point features. The key to our approach is to discover 3D semantic information by grouping superpoints according to their global patterns in the frequency domain, thus generating highly accurate semantic pseudo-labels for training a segmentation network. Extensive experiments on two indoor and an outdoor datasets show that our LogoSP surpasses all existing unsupervised methods by large margins, achieving the state-of-the-art performance for unsupervised 3D semantic segmentation. Notably, our investigation into the learned global patterns reveals that they truly represent meaningful 3D semantics in the absence of human labels during training.
関連論文
- PointGS: 3Dガウススプラッティングを用いた意味的に一貫した教師なし3D点群セグメンテーション3D点群セグメンテーション
- 実環境とシミュレーションのループによる3D点群の統合セグメンテーション：パネルから樹木・枝へ3D点群セグメンテーション
- BelHouse3D: 3D点群セマンティックセグメンテーションにおける遮蔽ロバスト性評価のためのベンチマークデータセット3D点群セグメンテーション
- GrowSP: 3D点群の教師なしセマンティックセグメンテーション3D点群セグメンテーション
- ランダムサンプリングによる大規模3D点群の効率的なセマンティックセグメンテーション3D点群セグメンテーション
- SQN: 大規模3D点群の弱教師ありセマンティックセグメンテーション3D点群セグメンテーション
