一般化されたFew-shot 3D点群セグメンテーションのための階層的直交プロトタイプの学習

概要: 一般化された少数ショットの3D点群分割は、限られたアノテーションから新規クラスへ適応しつつ、ベースクラスの高い性能を維持することを目指しますが、これは本質的な安定性と可塑性のトレードオフのため依然として難しい課題です。新規クラスへ適応する際、共有表現に干渉し、ベースクラスの忘却を引き起こす可能性があります。本研究では、エントロピーに基づく少数ショット正則化を備えた階層的直交プロトタイプを学習する統一フレームワークであるHOP3Dを提示します。HOP3Dは、勾配と表現の両方のレベルでベース学習と新規学習を切り離す階層的直交化を導入し、ベース-新規の干渉を効果的に緩和します。さらに、希薄な監視下での適応を強化するため、予測不確実性を活用してプロトタイプ学習を洗練し、平衡の取れた予測を促進するエントロピーベースの正則化を組み込みます。ScanNet200およびScanNet++で行った広範な実験により、HOP3Dは1ショットおよび5ショットの設定のいずれにおいても最先端のベースラインを一貫して上回ることを示しています。コードは https://fdueblab-hop3d.github.io/ で入手可能です。