对全监督的3D细分进行正负感应场推理
IEEE transactions on pattern analysis and machine intelligence
|September 26, 2023
概括
使用感应场组件推理 (RFCR) 的全方位监控通过利用中间层信息来增强3D细分. 这种方法改善了特征表示,并在完全和弱监督的任务中取得了竞争性结果.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 由于对输出预测的监督有限,神经网络经常在3D细分方面扎.
- 有信息的特征表示对于准确的3D细分任务至关重要.
研究的目的:
- 引入第一个全方位监控方法,用于3D细分.
- 改进神经网络中的特征学习,以提高3D细分性能.
主要方法:
- 提出了一种渐进的感应场组件推理 (RFCR) 方法,使用感应场组件代码 (RFCC) 监督中间层.
- 引入了带有负RFCC (NRFCC) 的RFCR-NL模型,通过负面学习加强监督.
- 开发的特征密集化具有离心潜力,可以创建更明确的特征,类似于调整.
主要成果:
- 在完全和弱监督的3D细分任务中,在三个数据集中显著提高了性能.
- 当集成到三个主要的神经网络骨干中时,取得了竞争性结果.
- 证明了全方位监督在释放特征学习潜力的有效性.
结论:
- 拟议的全方位监控方法有效地解决了3D细分的局限性.
- RFCR和特征密集化有助于更强大和更有信息的特征表示.
- 该方法在各种细分场景中显示了广泛的适用性和强的性能.
