SSR: Semi-supervised Soft Rasterizer for single-view 2D to 3D\n Reconstruction
Notice bibliographique
Résumé
Recent work has made significant progress in learning object meshes with weak\nsupervision. Soft Rasterization methods have achieved accurate 3D\nreconstruction from 2D images with viewpoint supervision only. In this work, we\nfurther reduce the labeling effort by allowing such 3D reconstruction methods\nleverage unlabeled images. In order to obtain the viewpoints for these\nunlabeled images, we propose to use a Siamese network that takes two images as\ninput and outputs whether they correspond to the same viewpoint. During\ntraining, we minimize the cross entropy loss to maximize the probability of\npredicting whether a pair of images belong to the same viewpoint or not. To get\nthe viewpoint of a new image, we compare it against different viewpoints\nobtained from the training samples and select the viewpoint with the highest\nmatching probability. We finally label the unlabeled images with the most\nconfident predicted viewpoint and train a deep network that has a\ndifferentiable rasterization layer. Our experiments show that even labeling\nonly two objects yields significant improvement in IoU for ShapeNet when\nleveraging unlabeled examples. Code is available at\nhttps://github.com/IssamLaradji/SSR.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».