SQN: Weakly-Supervised Semantic Segmentation of Large-Scale 3D Point Clouds

要約

タイトル　-　SQN: 大規模3Dポイントクラウドの弱教師ありセマンティックセグメンテーション　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
要約　-　完全なラベリングは非常に時間がかかり、費用がかかります。何十億のポイントを含むより大きなポイントクラウドデータセットが一般的になるにつれて、完全な注釈が必要かどうかを尋ね、全体的に注釈された仮定の下で設計された既存のベースラインが、ランダムなポイント注釈1％に対面してもわずかに低下するだけであることを示します。ただし、このポイントを超えると、例えば0.1％注釈において、セグメンテーションの精度は受け入れがたいほど低くなります。ポイントクラウドは3Dの世界のサンプルであるため、ローカル近傍のポイントの分布は比較的均一であり、強い意味的類似性を示します。これに刺激を受けて、弱い監督信号を暗黙的に拡張するための新しい弱い監督の方法を提案します。広範な実験は、提案されたSemantic Query Network（SQN）が、弱い監督スキームの下で7つの大規模なオープンデータセットで有望なパフォーマンスを発揮することを示し、トレーニングに必要なランダム注釈のみ0.1％で、注釈の費用と労力を大幅に削減します。コードはhttps://github.com/QingyongHu/SQNで利用可能です。

– 完全なラベリングは時間とコストがかかる。
– 大型の点群データセットでは完全な注釈が必要かどうかを検討する。
– 1％のランダムなポイント注釈にもかかわらず、完全な注釈の下で設計された既存のベースラインがわずかに低下することが示された。
– それ以上のランダムなポイント注釈がない場合、セグメンテーションの精度は受け入れられないほど低下する。
– ポイントクラウドの分布は比較的均一であるため、弱い監督信号を暗黙的に拡張するための新しい弱い監督方法が提案されている。
– SQNは、弱い監督スキームの下で7つの大規模なオープンデータセットで有望なパフォーマンスを発揮することが示され、注釈の費用と労力が大幅に削減された。
– コードは、https://github.com/QingyongHu/SQNで利用可能である。

要約(オリジナル)

Labelling point clouds fully is highly time-consuming and costly. As larger point cloud datasets with billions of points become more common, we ask whether the full annotation is even necessary, demonstrating that existing baselines designed under a fully annotated assumption only degrade slightly even when faced with 1% random point annotations. However, beyond this point, e.g., at 0.1% annotations, segmentation accuracy is unacceptably low. We observe that, as point clouds are samples of the 3D world, the distribution of points in a local neighborhood is relatively homogeneous, exhibiting strong semantic similarity. Motivated by this, we propose a new weak supervision method to implicitly augment highly sparse supervision signals. Extensive experiments demonstrate the proposed Semantic Query Network (SQN) achieves promising performance on seven large-scale open datasets under weak supervision schemes, while requiring only 0.1% randomly annotated points for training, greatly reducing annotation cost and effort. The code is available at https://github.com/QingyongHu/SQN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI