Towards Robust Few-shot Point Cloud Semantic Segmentation

要約

少数ショット点群セマンティック セグメンテーションは、少数のサポート セット サンプルのみを使用して、新しい未知のクラスに迅速に適応するようにモデルをトレーニングすることを目的としています。
ただし、サポート セットのノイズのない前提は、多くの実際的な現実の設定で簡単に破られる可能性があります。
この論文では、テスト中のノイズの多いサポート セットの悪影響下での少数ショット点群セグメンテーションの堅牢性の向上に焦点を当てます。
この目的を達成するために、まず、ターゲット クラスのクリーン サンプルをノイズのあるサンプルから分離する識別特徴表現を学習するコンポーネント レベルのクリーン ノイズ分離 (CCNS) 表現を提案します。
CCNS から適切に分離されたクリーンなサポート サンプルとノイズの多いサポート サンプルを活用して、サポート セットからノイズの多いショットを除去するためのマルチスケール次数ベースのノイズ抑制 (MDNS) スキームをさらに提案します。
2 つのベンチマーク データセットでさまざまなノイズ設定に関する広範な実験を実施します。
私たちの結果は、CCNS と MDNS を組み合わせることでパフォーマンスが大幅に向上することを示しています。
コードは https://github.com/Pixie8888/R3DFSSeg で入手できます。

要約(オリジナル)

Few-shot point cloud semantic segmentation aims to train a model to quickly adapt to new unseen classes with only a handful of support set samples. However, the noise-free assumption in the support set can be easily violated in many practical real-world settings. In this paper, we focus on improving the robustness of few-shot point cloud segmentation under the detrimental influence of noisy support sets during testing time. To this end, we first propose a Component-level Clean Noise Separation (CCNS) representation learning to learn discriminative feature representations that separates the clean samples of the target classes from the noisy samples. Leveraging the well separated clean and noisy support samples from our CCNS, we further propose a Multi-scale Degree-based Noise Suppression (MDNS) scheme to remove the noisy shots from the support set. We conduct extensive experiments on various noise settings on two benchmark datasets. Our results show that the combination of CCNS and MDNS significantly improves the performance. Our code is available at https://github.com/Pixie8888/R3DFSSeg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google