Adaptive Margin Contrastive Learning for Ambiguity-aware 3D Semantic Segmentation

要約

この論文では、3Dポイントクラウドセマンティックセグメンテーション、つまりAMContrast3Dの適応マージンコントラスト学習方法を提案します。
ほとんどの既存の方法では、ポイントあたりのあいまいさを無視し、遷移領域に起因する識別されない機能を無視する同様に罰せられた目標を使用します。
ただし、非常に曖昧なポイントは人間にとっても見分けがつかない可能性があるため、手動で注釈されたラベルは信頼性が低く、これらのポイントに対する困難な制約は最適なモデルにつながります。
これに対処するために、私たちは曖昧さレベルに基づいて個々のポイントの適応目標を設計し、高波路ポイントの間違いを許可しながら低波ポイントの正確性を確保することを目指しています。
具体的には、最初に位置の埋め込みに基づいてあいまいさを推定します。
次に、対照的な特徴の埋め込みのために決定境界をシフトするためのマージンジェネレーターを開発するため、極端な波状ポイントのマージンでさえも曖昧ささえ増加するため、マージンが狭くなります。
大規模なデータセットであるS3DISおよびSCANNETでの実験結果は、この方法が最新の方法よりも優れていることを示しています。

要約(オリジナル)

In this paper, we propose an adaptive margin contrastive learning method for 3D point cloud semantic segmentation, namely AMContrast3D. Most existing methods use equally penalized objectives, which ignore per-point ambiguities and less discriminated features stemming from transition regions. However, as highly ambiguous points may be indistinguishable even for humans, their manually annotated labels are less reliable, and hard constraints over these points would lead to sub-optimal models. To address this, we design adaptive objectives for individual points based on their ambiguity levels, aiming to ensure the correctness of low-ambiguity points while allowing mistakes for high-ambiguity points. Specifically, we first estimate ambiguities based on position embeddings. Then, we develop a margin generator to shift decision boundaries for contrastive feature embeddings, so margins are narrowed due to increasing ambiguities with even negative margins for extremely high-ambiguity points. Experimental results on large-scale datasets, S3DIS and ScanNet, demonstrate that our method outperforms state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google