通过几何词汇进行广义的少样本点云分割
原文中文，约400字，阅读约需1分钟。发表于：。在动态测试环境中，现有的全监督点云分割方法无法应对新出现的类别。为解决这一问题，少样本点云分割算法通过学习适应新类别，但会牺牲对基类别的分割准确性，从而严重影响其实用性。因此，我们首次尝试了更实用的广义少样本点云分割范式，要求模型能够同时推广到用仅有少量支持点云表示的新类别，并保持对基类别的分割能力。我们提出了几何单词来表示基类别和新类别之间共享的几何组件，并将其融入新型几何感知语义表示中，...
该文介绍了一种解决全监督点云分割方法无法应对新类别的问题的广义少样本点云分割范式。该方法通过学习适应新类别，同时保持对基类别的分割能力，引入了几何单词和几何原型来提高分割准确性。实验证明该方法在 S3DIS 和 ScanNet 上的性能优于基准方法。
