EFEM: Equivariant Neural Field Expectation Maximization for 3D Object Segmentation Without Scene Supervision

要約

Equivariant Neural Field Expectation Maximization (EFEM) を紹介します。これは、アノテーションやシーンのトレーニングなしで 3D シーン内のオブジェクトをセグメント化できる、シンプルで効果的で堅牢な幾何学的アルゴリズムです。
このような教師なしセグメンテーションは、単一のオブジェクト形状の事前分布を利用することで実現します。
私たちはその方向に 2 つの新しい一歩を踏み出します。
最初に、この問題に等変形状表現を導入して、オブジェクト構成の変化によって引き起こされる複雑さを排除します。
第 2 に、等変形状事前分布を使用してセグメンテーション マスクを反復的に改良できる新しい EM アルゴリズムを提案します。
メソッドの有効性と堅牢性を検証するために、さまざまなオブジェクト構成と新しいシーンを含む新しい実際のデータセットの椅子とマグカップを収集します。
実験結果は、(弱い) 監視された方法が失敗する可能性があるさまざまなシーンで、私たちの方法が一貫した堅牢なパフォーマンスを達成することを示しています。
コードとデータは https://www.cis.upenn.edu/~leijh/projects/efem で入手可能

要約(オリジナル)

We introduce Equivariant Neural Field Expectation Maximization (EFEM), a simple, effective, and robust geometric algorithm that can segment objects in 3D scenes without annotations or training on scenes. We achieve such unsupervised segmentation by exploiting single object shape priors. We make two novel steps in that direction. First, we introduce equivariant shape representations to this problem to eliminate the complexity induced by the variation in object configuration. Second, we propose a novel EM algorithm that can iteratively refine segmentation masks using the equivariant shape prior. We collect a novel real dataset Chairs and Mugs that contains various object configurations and novel scenes in order to verify the effectiveness and robustness of our method. Experimental results demonstrate that our method achieves consistent and robust performance across different scenes where the (weakly) supervised methods may fail. Code and data available at https://www.cis.upenn.edu/~leijh/projects/efem

arxiv情報

提供元, 利用サービス

arxiv.jp, Google