Główne pojęcia
Ein neuartiges wahrscheinlichkeitsgesteuertes Framework (PDF) für die offene Welt-semantische Segmentierung von 3D-Punktwolken, das die Erkennung unbekannter Objekte und inkrementelles Lernen ermöglicht.
Streszczenie
Das vorgeschlagene PDF-Framework adressiert sowohl die Aufgabe der offenen Welt-semantischen Segmentierung (OSS) als auch die Aufgabe des inkrementellen Lernens (IL) für 3D-Punktwolken.
Für die OSS-Aufgabe:
- Es wird ein leichtgewichtiger U-Decoder verwendet, um die Unsicherheiten der Segmentierungsergebnisse zu schätzen.
- Ein Pseudo-Beschriftungsschema wird entwickelt, um Merkmale unbekannter Klassen zu erfassen und Pseudo-Etiketten zu generieren.
- Diese Pseudo-Etiketten werden verwendet, um die Ausgabe des U-Decoders zusammen mit der Ausgabe des Hauptnetzes zu überwachen.
Für die IL-Aufgabe:
- Eine inkrementelle Wissensdestillationsstrategie wird vorgeschlagen, um neu eingeführte semantische Klassen schrittweise in die bestehende Wissensbasis zu integrieren.
Die quantitativen und qualitativen Ergebnisse zeigen, dass das PDF-Framework die Leistung der State-of-the-Art-Methoden deutlich übertrifft.
Statystyki
Die Unsicherheit eines Punktes pi wird berechnet als:
max(exp(OS^{ik}) / sum(exp(OS^{ij})))
Die Ähnlichkeit zwischen Samenpunkten P0 und ihren Nachbarn NN(P0) wird berechnet als:
Sim_D = (||pi - nn(pi)||^2 / max||pi - nn(pi)||^2)
Sim_U = exp(-|S(pi) - S(nn(pi))|)
Sim(P0, NN(P0)) = Sim_D + Sim_U
Cytaty
"Bestehende Punktwolken-Semantiksegmentierungsnetzwerke können unbekannte Klassen nicht identifizieren und ihr Wissen nicht aktualisieren, da sie eine geschlossene und statische Sicht auf die reale Welt haben, was dazu führen würde, dass der intelligente Agent falsche Entscheidungen trifft."
"Unser Framework ermöglicht es dem Modell, sich wie Menschen zu verhalten, indem es unbekannte Objekte erkennen und sie schrittweise mit dem entsprechenden Wissen lernen kann."