半监督的3D形状细分通过自我精炼

科学领域:

• 计算机视觉 计算机视觉
• 3D形状分析 3D形状分析
• 机器学习 机器学习

背景情况:

• 在图像处理和3D分析中,3D形状细分至关重要.
• 数据驱动的细分通常需要完全标记的数据集,这些数据集的创建是昂贵和耗时的.
• 对3D形状的手动面部标签是劳动密集型的.

研究的目的:

• 为3D形状细分开发一个高效的半监督框架.
• 为了克服获得完全标记的3D数据集的挑战.
• 用有限的标记数据来提高细分性能.

主要方法:

• 一个半监督的框架使用一个小的完全标记的集合和一个弱标记的集合与稀疏的涂标签.
• 一个辅助网络为标记较弱的数据生成初始分段标签.
• 一个自我改进模块通过使用主网络的预测来代地改进标签.

主要成果:

• 与现有的半监督方法相比,拟议的方法实现了优越的细分性能.
• 该框架显示了与完全监督的方法可比的性能.
• 广泛的基准测试验证实了开发方法的有效性.

结论:

• 半监督框架显著降低了在3D形状细分中手动标签的负担.
• 该方法为用有限的标记数据对3D形状进行细分提供了实用解决方案.
• 这种方法通过提高效率和准确性来推进3D形状分析领域.