BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
- 现有的全监督点云分割方法无法应对新出现的类别。
- 少样本点云分割算法通过学习适应新类别，但牺牲了对基类别的分割准确性。
- 提出了广义少样本点云分割范式，要求模型同时适应新类别并保持基类别的分割能力。
- 引入几何单词表示基类别和新类别之间共享的几何组件。
- 使用几何原型利用几何先验知识来引导分割。
- 在 S3DIS 和 ScanNet 上的实验表明该方法性能优于基准方法。
➡️
