主要观点总结
本文关注小样本3D分割任务，确定了当前任务中的两个关键问题并进行了改正，引入了新的标准化setting和评价benchmark。提出了新的correlation优化范式和模型COSeg，实现了所有3D few-shot任务上的最佳性能。
关键观点总结
关键观点1: 当前小样本3D分割任务存在的问题
作者指出了当前小样本3D分割任务中的两个关键问题：前景泄漏和稀疏点分布。这两个问题降低了任务的难度，使得模型无法真正学习到有效的特征，影响了模型的泛化性能。
关键观点2: 新的标准化setting和评价benchmark
为了解决上述问题，作者提出了一个新的标准化setting，通过均匀采样并增加采样点数来更真实地模拟实际应用场景。同时，也建立了新的评价benchmark来更准确地评估模型性能。
关键观点3: 新的模型COSeg
作者提出了一个新的模型COSeg，该模型采用correlation优化范式，直接优化support和query之间的关联关系，增强了模型的泛化能力。在COSeg中，通过计算每个query点与support prototypes之间的Class-specific Multi-prototypical Correlation（CMC），并利用Hyper Correlation Augmentation（HCA）模块优化correlations，实现了更好的分割效果。
关键观点4: 实验结果和贡献
作者在文中进行了广泛的实验，证明了COSeg模型在改正后的标准setting下实现了最佳的性能。同时，也提供了消融实验来证明设计的有效性和correlation优化范式的优越性。作者还总结了该文章的研究贡献和潜在的研究方向，包括解决base类别干扰问题、提高模型的训练和推理效率等。
文章预览
↑ 点击 蓝字 关注极市平台 编辑丨极市平台 极市导读 本文确定了当前小样本3D分割任务setting中的两个关键问题，改正并引入了全新的标准化setting以及评价benchmark。文中还提出了新的correlation优化范式以及相应的模型COSeg，在所有3D few-shot任务上实现了最佳的性能。 >> 加入极市CV技术交流群，走在计算机视觉的最前沿 CVPR2024接收paper分享，作者来自ETH Zurich等联合团队： 3D Few-shot分割结果示例 1. 技术背景 3D场景理解在自动驾驶、智能机器人等领域扮演着至关重要的角色，它使设备能够感知并理解周围的三维世界。尽管传统的全监督学习模型在特定类别的识别上表现出色，但这些模型通常只限于识别这些预定义的类别。这就意味着，每当需要识别新的对象类别时，就必须收集大量的3D场景数据并进行详细标注，这一过程不仅耗时耗力，还极大限制
………………………………
