3D semantic segmentation: Cluster-based sampling and proximity hashing for novel class discovery
Notice bibliographique
Résumé
Novel Class Discovery (NCD) in 3D semantic segmentation is crucial for applications requiring the ability to learn and segment previously unknown classes in point cloud data, such as autonomous driving and urban planning. Traditional 3D semantic segmentation methods often build upon a fixed set of known classes, which restricts their ability to discover classes not covered in the original training data. To overcome these limitations, we propose a novel framework specifically designed for NCD in 3D semantic segmentation. The framework integrates the Voxel-Geometry Data Integration module, the Cluster-based Representative Sampling module, the Neighborhood Spatial Partitioning module, and the Spatial Feature Attention Mechanism. These modules collectively enhance the model’s capability to integrate spatial and geometric information, identify key representative points, map neighborhoods effectively, and synthesize localized and global features. Experimental results on benchmark datasets, including S3DIS, Toronto-3D, SemanticSTF, and SemanticPOSS, demonstrate the proposed method’s superior performance in discovering novel classes and improving overall segmentation quality. For instance, in the SemanticPOSS- 4 0 split, the method achieves a mean Intersection over Union (mIoU) of 43.68% for novel classes, compared to 35.70% achieved by NOPS. These results highlight the framework’s effectiveness in handling complex scenes and its potential to advance NCD in 3D semantic segmentation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».