Generative Zero-Shot Learning für die semantische Segmentierung von 3D-Punktwolken

Obwohl bereits zahlreiche Studien zum Zero-Shot Learning (ZSL) für 2D-Bilder existieren, ist die Anwendung auf 3D-Daten noch relativ neu und selten, wobei bisher nur wenige Methoden auf die Klassifikation beschränkt waren. Wir präsentieren den ersten generativen Ansatz sowohl für ZSL als auch für Generalized ZSL (GZSL) auf 3D-Daten, der sowohl Klassifikation als auch – zum ersten Mal – semantische Segmentierung bewältigen kann. Wir zeigen, dass unser Ansatz sowohl für induktives ZSL als auch für induktives GZSL auf der ModelNet40-Klassifikation die bisherigen State-of-the-Art-Methoden erreicht oder sogar übertrifft. Für die semantische Segmentierung haben wir drei Benchmarks zur Bewertung dieser neuen ZSL-Aufgabe erstellt, basierend auf den Datensätzen S3DIS, ScanNet und SemanticKITTI. Unsere Experimente belegen, dass unser Verfahren starke Baseline-Methoden übertrifft, die wir zusätzlich für diese Aufgabe vorschlagen.