Apprentissage zéro-shot génératif pour la segmentation sémantique de nuages de points 3D

Bien qu’un grand nombre d’études aient été menées sur l’apprentissage zéro-shot (ZSL) pour les images 2D, son application aux données 3D reste récente et peu développée, avec seulement quelques méthodes limitées à la classification. Nous présentons la première approche générative pour le ZSL et le ZSL généralisé (GZSL) sur des données 3D, capable de traiter à la fois la classification et, pour la première fois, la segmentation sémantique. Nous démontrons que notre méthode atteint ou dépasse l’état de l’art sur la classification ModelNet40, tant pour le ZSL inductif que pour le GZSL inductif. Pour la segmentation sémantique, nous avons établi trois benchmarks afin d’évaluer cette nouvelle tâche ZSL, en utilisant les jeux de données S3DIS, ScanNet et SemanticKITTI. Nos expérimentations montrent que notre méthode surpasse des baselines solides, que nous proposons également pour cette tâche.