.png){kind=icon}
返回
Ambiguity-Aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3623494.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于点云3D语义分割的自适应边距对比学习方法。现有大多数方法使用同等惩罚的目标函数，忽略了源于过渡区域的每点模糊性和区分度较低的的特征。然而，由于高度模糊的点即使是人类也难以区分，其人工标注的标签可靠性较低，对这些点施加硬约束会导致次优模型。为解决此问题，我们首先设计了AMContrast3D方法，将对比学习融入模糊度估计框架，针对不同点的模糊度水平定制自适应目标。因此，我们的方法促进模型训练，确保低模糊度点的正确性，同时允许高模糊度点的错误。由于模糊度是基于标签间的位置差异进行定义，推理时的优化受限于假设所有未标注点都是均匀非模糊的，缺乏模糊度感知。受联合训练的启发，我们进一步提出AMContrast3D++，集成两个并行训练的分支，其中一种新颖的模糊度预测模块同时从生成嵌入中学习点的模糊度。为此，我们设计了一种掩码精修机制，利用预测的模糊度使模糊嵌入更可靠，从而提升分割性能并增强鲁棒性。在3D室内场景数据集S3DIS和ScanNet上的实验结果验证了所提出方法的有效性。
Keyword:
3D semantic segmentation
scene understanding
contrastive learning
decision boundary
joint training
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
Quad-Tier Entity Fusion Contrastive Representation Learning for Knowledge Aware Recommendation System四层实体融合对比表示学习用于知识感知推荐系统
OAAI
OAAI分享收藏Continual All-in-One Adverse Weather Removal With Knowledge Replay on a Unified Network Structure持续统一网络结构上的知识回放全流程恶劣天气去除OAAI
OAAI分享收藏MirageRoom: 3D Scene Segmentation with 2D Pre-Trained Models by Mirage ProjectionMirageRoom：基于幻影投影的3D场景分割与2D预训练模型
PREAI
分享收藏
查看更多内容