CVPR 2024 Highlight｜Seg-NN: 不需要训练的网络反而可大幅提升 3D 小样本分割的性能

今日应用

Emoji表情素材

升级版的Emoji表情库，让你的聊天更有趣，表达更生动！

今日话题

CVPR 2024 Highlight｜Seg-NN: 不需要训练的网络反而可大幅提升 3D 小样本分割的性能

 

重点标签 Seg-NN、Seg-PN模型、3D场景分割、小样本学习、性能提升

文章摘要

摘要：
本文介绍了在非参数化网络Point-NN基础上提出的Seg-NN模型，用于解决小样本3D场景分割问题。Seg-NN不需要训练，简化了训练流程并减少了资源消耗。进一步提出的参数化变体Seg-PN，在S3DIS和ScanNet数据集上的小样本分割任务中取得了SOTA性能，大幅超过其他方法，并显著减少了训练时间。

背景：
3D场景的小样本分割任务因数据标注成本高而受到关注。现有方法通常采用元学习策略，但存在预训练和微调的3D编码器在未见过的类别上性能不佳，以及训练过程耗时的问题。

Seg-NN模型：
Seg-NN继承并改进了Point-NN的非参数化编码器，通过初始编码和表征操纵提取点云特征。模型通过相似性匹配进行分割，无需训练，简化了小样本训练流程。

Seg-PN模型：
Seg-PN是Seg-NN的参数化版本，增加了QUEST模块以缓解原型偏置问题。QUEST通过支撑集和查询集的互相关和自相关减小原型偏置，提高了小样本分割任务的性能。

实验结果：
Seg-NN和Seg-PN在多个数据集上的表现优异。Seg-NN在不经过训练的情况下，性能与一些基于训练的方法相当。Seg-PN则在S3DIS和ScanNet数据集上达到了SOTA性能，同时大幅减少了训练时间。此外，Seg-NN在ModelNet40的小样本分类任务上也取得了SOTA性能。

结论：
Seg-NN和Seg-PN模型为小样本3D场景分割任务提供了有效的解决方案，通过简化训练流程和减少资源消耗，显著提高了分割性能。

文章来源

原文地址: 点我阅读全文
原文作者: 极市平台