PriFit: Learning to Fit Primitives Improves Few Shot Point Cloud Segmentation

要約

3Dポイントクラウドセグメンテーションネットワークのラベル効率の高い学習のための半教師ありアプローチであるPriFitを紹介します。
PriFitは、幾何学的プリミティブフィッティングとポイントベースの表現学習を組み合わせたものです。
その重要なアイデアは、直方体や楕円体などの基本的な幾何学的プリミティブによって適切に近似できる形状領域をクラスタリングによって明らかにする点表現を学習することです。
学習したポイント表現は、既存のネットワークアーキテクチャで3Dポイントクラウドセグメンテーションに再利用でき、数ショットの設定でパフォーマンスが向上します。
広く使用されているShapeNetおよびPartNetベンチマークでの実験によると、PriFitはこの設定でいくつかの最先端の方法よりも優れており、プリミティブへの分解可能性が意味部分を予測する表現を学習するための有用な前兆であることを示唆しています。
メソッドの有効性を実証するために、幾何学的プリミティブとダウンストリームタスクの選択を変化させるいくつかの奪格実験を提示します。

要約(オリジナル)

We present PriFit, a semi-supervised approach for label-efficient learning of 3D point cloud segmentation networks. PriFit combines geometric primitive fitting with point-based representation learning. Its key idea is to learn point representations whose clustering reveals shape regions that can be approximated well by basic geometric primitives, such as cuboids and ellipsoids. The learned point representations can then be re-used in existing network architectures for 3D point cloud segmentation, and improves their performance in the few-shot setting. According to our experiments on the widely used ShapeNet and PartNet benchmarks, PriFit outperforms several state-of-the-art methods in this setting, suggesting that decomposability into primitives is a useful prior for learning representations predictive of semantic parts. We present a number of ablative experiments varying the choice of geometric primitives and downstream tasks to demonstrate the effectiveness of the method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google