.png){kind=icon}
返回
Deep Hierarchical Learning for 3D Semantic Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-025-02387-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人类认知的固有结构有助于三维物体语义类别的层级组织，将视觉世界简化为清晰且可管理的层级。一个生动的例子体现在动物分类学领域，其中不仅区分了鸟类和哺乳动物等较宽泛的类别，还在不同鸟类物种等子类别内部进行区分，展示了人类层级处理的深度。这一观察延伸至计算领域，本文提出了基于三维数据的深度层级学习（DHL）。通过构建概率表示，我们提出的DHL为视觉任务中的层级学习（HL）奠定了开创性的理论基础。为解决DHL在三维数据上的有效性和泛化性挑战，我们1）引入层级正则化项，将预测间的层级一致性连接到分类损失中；2）开发了一个通用的深度学习框架，包含层级嵌入融合模块以增强层级嵌入学习；3）设计了一种新颖方法，用于在非层级标签的数据集中构建类别层级，利用了近期视觉语言模型。基于问卷调查支持，开发了一种新颖的层级质量指标CH-MOS，用于评估生成的类别层级在人类理解中的语义可解释性。通过在多个数据集上对三维物体和场景点云语义分割任务进行的广泛实验，验证了本方法的有效性，展示了DHL在各个层级解析三维数据的能力。这一证据表明DHL在更广泛任务中的潜在适用性。
Keyword:
Hierarchical learning
Point cloud
Semantic segmentation
Deep learning
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review自动驾驶中图像和点云融合的深度学习: 综述
OAAI
OAAI分享收藏
分享收藏分享收藏
查看更多内容