191290ScanQA：用于空间场景理解的3D问题回答0Daichi Azuma �0京都大学0Taiki Miyanishi �0ATR，RIKEN AIP0Shuhei Kurita �0RIKEN AIP，JST PRESTO0Motoaki KawanabeATR，RIKEN AIP0摘要0我们提出了一个新的3D空间理解任务，用于3D0问题回答（3D-QA）。在3D-QA任务中，模型从丰富的RGB-D室内扫描的整个3D场景接收视觉信息，并回答关于3D场景的给定文本问题。与视觉问答的2D问题回答不同，传统的2D-QA模型在3D-QA中在对象对齐和方向的空间理解以及从文本问题中定位对象方面存在问题。我们提出了一个3D-QA的基线模型，称为ScanQA1，它从3D对象提议和编码的句子嵌入中学习融合描述符。这个学习到的描述符将语言表达与3D扫描的基本几何特征相关联，并促进了回归3D边界框以确定文本问题中描述的对象。我们收集了在每个3D场景中以3D对象为基础的自由形式答案的人工编辑的问题-答案对。我们的新ScanQA数据集包含来自ScanNet数据集的800个室内场景中的超过41k个问题-答案对。据我们所知，这是第一个在3D环境中执行基于对象的问题回答的大规模尝试。0知识，ScanQA是在3D环境中执行基于对象的问题回答的第一个大规模尝试。01.引言0近年来，在视觉和语言任务和数据集中取得了重要进展0在视觉和语言任务和数据集中，已经取得了一些重要进展，并创建了一些新的数据集来开发能够理解基于二维（2D）图像的文本表达的模型，例如图像字幕[12,42]，理解指代表达[25,50]，图像区域和短语对应[37]和视觉问答（VQA）[6, 20,23]。VQA在抓住在2D帧中可视化的物体特征方面取得了成功。然而，当我们开发能够理解三维场景的空间信息的模型时，例如“桌子和电视之间有什么？”或“箱子放在哪里？”0�表示同等贡献。01 https://github.com/ATR-DBI/ScanQA0问题+3D扫描0Q.中等大小的在哪里？0蓝色手提箱放在哪里？0A.在右边的床前03D扫描0答案+3D边界框03D扫描0上？0A.2个黑色背包Q.0图1.我们引入了3D建模的问题回答新任务。给定整个3D建模和语言问题的输入，模型预测一个答案短语和相应的3D边界框。0箱子在哪里？”，基于2D图像的现有模型在准确理解3D世界方面存在一些挑战。例如，2D图像缺乏对3D场景中相对方向和距离的准确感知，即立体属性感知问题。一些障碍物-0当物体重叠时，物体可能被其他物体隐藏，即遮挡问题。当在基于2D图像的问题回答模型中使用多个图像时，这些模型通常在跟踪和识别图像之间的某些物体是否是相同的物体时遇到困难，即物体定位和识别问题。0目前，可以开发3D空间理解模型0为ScanRe-fer [10]的3D物体定位任务、ReferIt3D[1]的基于对话的定位任务和Scan2Cap[13]的3D物体字幕任务开发了。具体问题回答[17, 46,0用于在3D场景中导航代理的问题回答数据集。我们认为现有数据集在数据集规模和问题多样性方面仍然有限03D空间理解数据集有助于开发能够理解具体3D场景并像人类一样提出和回答关于3D环境的问题的模型。然而，与2D图像的对应物不同，关于3D环境注释的问题回答数据集仍然有限。QA) task that uses 3D spatial information instead of 2Dimages to comprehend real-world information through thequestion answering form. In the 3D-QA task, models an-swer a question for a 3D scene as well as the object local-ization described in the question. We present the overviewof the task in Fig. 1. This 3D-QA task setting is reason-able when external sensors or mobile robots collect suffi-cient visual information to construct a 3D scene before theQA task. We assume that this is plausible when the modelcan use the preliminarily captured visual information fromthe 3D scene because of prior navigation in the scene, suchas vision-and-language navigation [5].This task is also1913003D-QA任务使用3D空间信息而不是2D图像来理解真实世界信息。在3D-QA任务中，模型回答一个关于3D场景以及问题中描述的对象定位的问题。我们在图1中概述了该任务的概述。当外部传感器或移动机器人在QA任务之前收集到足够的视觉信息以构建3D场景时，这种3D-QA任务设置是合理的。我们假设当模型可以使用预先捕获的3D场景中的视觉信息时，这是可行的，因为之前在场景中0在本文中，我们提出了一个3D问答（3D-QA）任务0适用于使用预先提取的3D场景的真实世界服务，例如交互式虚拟房间查看服务或室内场景搜索。0对于3D-QA任务，我们开发了一种新颖的ScanQA0基于室内场景的RGB-D扫描和来自ScanNet数据集[15]的注释的数据集。我们使用问题生成模型从ScanRefer[10]的对象标题中自动生成问题。然而，这些自动生成的问题包含了许多无效的问题；因此，我们过滤了无效的问题，并在必要时对其进行了改进。我们使用新开发的交互式3D场景查看器从人类那里收集了自由形式的答案和对象注释。总共，我们收集了41k个问题-答案对，其中有32k个独特的问题。我们提出了一个具有文本和3D场景编码以及几个基准模型的3D-QA模型，包括2D图像模型（2D-QA），3D对象定位模型的组合[10,38]和一个问题回答模型[51]。我们确认，在提出的ScanQA数据集中，ScanQA模型在大多数评估中优于基准模型，包括精确匹配和图像字幕度量。02. 相关工作03D-QA任务与现有的视觉问答任务类似0回答和3D具体问题回答。我们将我们的任务定位为给定语言问题对整个3D场景的空间理解。02.1. 视觉问答0视觉问答（VQA）是一项任务，0模型提供一个2D图像和一个关于其内容的问题。他们应该提供一个合适的答案。 Mali-nowski等人提出了2D图像中的问题回答方法[34]，之后提出了各种推理方法[4, 6, 51]。最好的VQA方法之一是Oscar[30]，它使用MaskR-CNN通过考虑个体对象之间的关系来推断解决方案。0在图像中回答问题。此外，Jang等人提出了一种考虑更详细的视觉和运动信息的问题回答方法，使用视频。ClipBERT[29]通过将视频分成片段并对其进行单独推理来提高其准确性。VQA 360 ◦[14]是一个关于360◦图像的问题回答任务。虽然0VQA 360◦有助于理解3D场景，但与ScanQA数据集相比，可用信息有限。我们的数据集还包括对象识别任务，这与现有的VQA 360 ◦数据集不同。02.2. 带有语言的3D对象定位0形式的文本描述。ScanRefer模型根据输入描述识别对象的3D边界框。该数据集基于从ScanNet数据集[15]中得到的800个场景。除了在3D场景中回答问题外，3D-QA任务还包括一个对象定位任务，用于出现在问题回答中的对象。与ScanRefer任务不同，ScanQA对象定位中的对象可以是多个，因为一个问题中可以出现多个对象。02.3. 3D场景中的问题回答0与已提出的许多2D-QA数据集不同，关于3D问题回答的数据集仍然有限。我们注意到现有的3D场景问0目前，关于3D问题回答的数据集仍然有限。我们注意到现有的3D场景问答任务具有交互形式。交互式QA0数据集（IQUAD）[19]在AI2THOR[27]上使模型代理能够与场景中的对象进行交互以确定问题的答案。具有体验式问答（EQA）[17, 46,49]的组合是视觉问答和导航的组合，例如视觉和语言导航任务[5, 11, 43, 47]和模型[18,28]。在原始EQA数据集[17]中，体验式模型代理收到一个问题，例如“汽车是什么颜色？”和0在House 3D [47]中导航到问题中描述的对象。MP3D-EQA[46]是Matterport3D扫描[9]的逼真的体验式QA。MT-EQA[49]是EQA的多目标变体。我们在表1中总结了这些数据集与ScanQA的关系。与这些数据集不同，ScanQA数据集不是从固定模板创建的，因此包含更多自然和数量显著更大的问题，如第3.3节所讨论的。03. ScanQA数据集0我们在此定义3D-QA任务并描述了收集的内容0对应数据集的收集。03.1. 3D-QA任务0如图1所示，3D-QA任务要求模型0当给出3D场景的所有信息时，回答一个问题embedded this site into the MTurk task page (Fig. 2).ducted as follows. First, we filtered the inadequate ques-tions from the auto-generated seed questions using basicrules. Subsequently, we asked the workers to classify theremaining questions into four classes: valid, too easy, unan-swerable, and unclear questions. Each question was eval-uated by at least three workers. We selected questions inwhich two or more workers were marked as valid for thenext phrase of the editing and answer collection process. Inthe editing and answer collection, we first presented the fil-tered questions to workers and requested them to rewrite thequestions themselves if they were inadequate for the scenebefore writing a free-form answers. Multiple answers arecollected when necessary. We also collected the object IDsthat were used in the question to identify the object in thescene in this phrase. See SM D for details.1913103D-QA数据集类型问题收集答案收集环境逼真的3D场景数量0IQUAD 交互 基于模板 基于模板 AI2THOR 否 30个房间0EQA 导航 基于模板 基于模板 House3D 否 588个场景0MP3D-EQA 导航 基于模板 基于模板 Matterport 3D 是 144个楼层0MT-EQA 导航 基于模板 基于模板 House3D 否 588个场景0ScanQA数据集 3D扫描自动生成+人工编辑 人工扫描Net 是 800个房间0表1. 3D问题回答数据集的比较。0场景。在这里，模型使用3D空间信息，如RGB-D扫描或点云数据。我们还要求模型指定与此问题回答相关的物体的3D边界框。这样可以防止模型仅依靠训练问题的文本先验而不检查场景来回答问题。然而，与ScanRefer数据集不同的是，我们不要求模型为每个问题指定一个描述的对象。这是因为多个对象可以用来回答某些问题。例如，问题“桌子周围的椅子是什么颜色？”与多个对象相关。只要场景中唯一的桌子周围的椅子颜色相同，这个问题也是可以回答的。在这种情况下，我们要求模型回答涉及多个3D边界框的问题。03.2. 问题-答案收集0ScanQA数据集是使用多个短语创建的，0包括自动QA生成[2, 8, 32,48]，问题过滤，问题编辑和答案收集。首先，0将此网站嵌入到MTurk任务页面中（图2）。02我们使用了https://huggingface.co/上可用的权重0训练集25,563 20,546 5620划分 # 问题数量 # 独特问题数量 # 3D场景数量0测试集（有对象）4,976 4,552 700验证集4,675 4,306 710总计41,363 32,337 8000测试集（无对象）6,149 5,484 970表2. ScanQA数据集统计。0种子问题的过滤和编辑进行了03.3. 数据集统计0我们收集了41,363个问题和58,191个答案，0包括32,337个独特问题和16,999个独特答案。表2呈现了ScanQA的统计数据。0数据集。无论是问题规模还是变化程度，该数据集都比现有的基于体验的问答数据集大一个数量级。例如，EQA数据集[17]包含4,246个问题，其中训练集中有147个独特问题。EQA-MP3D0数据集[46]包含767个问题，其中训练集中有174个独特问题。考虑到我们的数据集不仅包含问题-答案对，还包含3D对象定位注释，我们认为这是用问题回答形式指定3D场景中对象性质的最大数据集。根据问题的第一个单词的分布如图3所示。我们通过问题自动生成和人工编辑收集了各种类型的问题。0我们遵循了训练、验证和测试集的划分HowTheOnInToWhichkinddoesshapesitsarehascanobjectspartd esrewouldisclosechairsmallblackbrownbackpacklongcoffeecouchkitchenlargeofficerectangularshelfwhatwhatthewhatdoorwithlocatedsittingaboveatbehindunderdirectlyplacedbelowhangingrightaroundbeneathbyclosestcoveringunderneathaacross,againstattachedbesidebetweenclosefacinginsideleftnearpositionedpulledrotatable?spacesuspendedtuckedupareleatherchaircouchdoessinktablecurtainsshelfsignsoapstooltoolboxblindscabinetcoffeecountercushionentrylaptopmetalofficepianopillowprinterreclinerscreenshadesofastickythitisatopinleftonontheretobeenit'sthebeareofjustisisisdevicepieceisofchairsisbeaoneantheatheaseveraltheathethechairsbrownblackcushionsdoorslegsmonitorspairssmallarmchairsblackboardsbookshelvesboxeschalkemptygreenlaptopsleatherothershelfsshelvesteirswoodentheistothefromisisonhasroundcabinetcircleottomanroundedcouchchairkeyboardtvarmarmchairdooristabletablecorneriscabinetcountercopiercouchchairtabletissueistableisofficeshelfprintedisclosestiswoodisisissitstablelaptopinwoodtortypewallofpartcolorcornercornerleftrightsidefaceshasshelfisarehasaandcoucheschaircolorblackbrownbluechairshelftabletallwhitearmchairbackpackcolorlaptopmonitoronlypositionbookhelfcopiercountertopdarkfilefootrestfrontheightkeyboardlamplengthlightlongmicrowaveobjectofficepatternedprinterpurposeredshapesizesofatelephonethirdtissuetooltoolboxtoptvvendingwatertopaanrighttoonaboveacrossinnearslightlyinnearatclosestnextonunderthethethetheabehindabovebesidetoonagainstinthebetweeninonbehindinofthethethetothetheboxfromthetothethetothetheoftheaboveupbetweenonunderagainstathechairchairsisrecliningisistheisisareisisdispenserdoesisisareistableisisdoorsitsboxchairisisisisisdoesisnotetablechairwindowmachinerefrigeratortrashcabinetcounterfridgelampbackpackboxcopiercouchdeskdispenserdoorfreezerfrontkitchenloveseatshelfsinksmalltoiletfridgetablecabinetchairchairsdeskdoorsmicrowaveshelfshelvesshelvingsinktvwheelsblackbrownchairdo?thethefrontofthethearoundtheplacedbacktrashseenclosestsittingatheafterbuiltonrightisofthelongaretheonch irwindowbluebookshelflongsmallbathtubbeigeoff-whiteottomanshelftrashbookcasecouchcounterkitchenlaptopprinterredshortsquaretalltoilettvwoodenarmlessauburnbackpackbed?bigboothbroadbuttoncabinetcoffeecurtaincushiondarkdeskdoorfloorfootrestfridgegraygreykeyboardlightlowermediummonitorofficepaperpianopillowpillow?rayrectangularrollingsilversofastooltabletable?tantelephonewall-mountedlongprintersilvertallwoodenendofofficebrownblackconsoletrashbookshelfcopiermicrowavepolkasilverkitchentwoblackbookshelfbrowncabinetschairsofficesquareswindowsstackchairslongtallsinglechairswhitearedoesfacehavechairsarmchairsarearedoesdoesareonofroundarearecandoesboardsbottlesboardsarechairschairsaredoesaretablesblackbluebookshelfbrowncouchlaptoptablethethetablethethelocatedtowiththeitstablesitstableistableissetsisisischairisistosittingisisisinisisisishasisisboxtoupislocatedchairischairintooncolorin-betweentoclosestnextisisfrontdoorofdesktableofisthefofofofoftheafromclosestontheblackstapler,brownadjacenthaveofFigure 3. The distribution of the question types by the beginningof the question writing.Overview of network architecture. To solve the 3D-QAtask, we developed a ScanQA model consisting of a 3D &language encoder, 3D & language fusion, and object local-ization & QA layers. An overview of the proposed ScanQAnetwork is presented in Fig. 4. The 3D & language encoderlayer transforms the question into contextualized word rep-resentations and point clouds into object proposals. The3D & language fusion layer combines multiple 3D objectfeatures guided by language information using transformer-based encoder and decoder layers [44, 51]. The object lo-calization & QA layer estimates the target object box andobject labels and predicts answers associated with questionsand scene content.3D & language encoder layers. This layer encodes thequestion wordswi191320不明确的问题 Q: 角落里有什么？ - 角落里有几个物体！ Q:椅子是什么颜色？ - 场景中有三把椅子！ 有效的问题 Q:椅子下面的黑板上面有什么？ - 答案：夹克 Q:办公椅旁边的桌子是什么颜色，桌子上有一个显示器？ -答案：绿色0图2.办公室场景的不明确和有效问题。我们向MTurk工作者展示了带有对象ID和名称的场景，以进行数据集收集。0在ScanRefer中使用。然而，由于ScanRefer的测试集对象ID不公开，我们进一步将ScanRefer的验证集分为两个部分，作为带有对象注释的验证集和测试集。因此，ScanQA数据集包括两个带有和不带有对象注释的测试集。我们至少收集了验证集和两个测试集中每个问题的两个答案，以评估自由形式的答案。作为我们的0数据集包括“在哪里”的问题类型，答案的表达方式可能会有所不同。因此，我们采用了图像字幕的评估指标，除了与评估中的注释答案完全匹配外。04. ScanQA模型0我们为3D-ScanQA引入了基线模型0QA任务。3D-QA的形式化如下：给定点云p 2P和关于3D场景的问题q 2Q，3D-QA模型旨在输出与真实答案a �语义匹配的ˆa。3D特征表示。我们主要使用输入0点云p由3D空间中的点坐标c 2R3组成，用于3D表示。根据先前的3D和语言研究[10,13]，我们使用额外的点特征，如点的高度、颜色、法线和多视图图像特征[16]，将2D外观特征投影到点云中。我们将这些组合点特征作为3D特征r 2 R135。0什么0在哪里0是0颜色0类型的0是0许多0这个0在0在0一个0到0是0的0的0这个0这个0的0这个0到0这个0这个0棕色的0白色的0的0i =1 使用GloVe [36]，我们得到0词表示Q 2 Rnq �300，其中nq是问题中的单词数，并将它们输入到一个单层双向长短期记忆（biLSTM）[22]中进行单词序列建模。我们使用具有GELUs[21]激活的非线性层将LSTM的一系列输出状态投影到上下文化的单词表示Q0 2 Rnq �d，其中d是biLSTM的隐藏大小（设置为256）。此外，该层基于点云特征r 2 R135使用VoteNet[38]检测场景中的对象，VoteNet使用PointNet++[39]作为骨干网络。我们从VoteNet获取对象提议（对象框）并使用具有GELUs激活的非线性层将它们投影到对象提议表示V 2 Rnv �d，其中nv是对象提议的数量（设置为256）。3D和语言融合层。受MCAN[51]的深度模块化共同注意网络架构的启发，该网络通常用于VQA，我们使用transformer blocks[44]来表示对象提议之间和问题单词之间的关系。在提供上下文化问题表示之后，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{wi}nqi=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�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�LACpHicjVHLSsNAFL2Nr1ofrboR3BRLiwspEykqropuXLjow7SF2pYkjU2L5JpoYb+gDtXgl0puBA/Qxf+gIt+gris4MaFN2lAtPi4ITNnztxz51yuZKqKzQjpBbiR0bHxieBkaGp6ZjYcmZsv2EbTkqkgG6phlSTRpqiU4EpTKUl06KiJqm0KDV23Pti1q2Yuj7rG3SibWdeVIkUWGVNGuOoZ0qlFYiRJvIgOA94HMfAjY0Qe4AOwQAZmqABR0YhVEsPErAw8ETOQq4CBnIVK8ewodCKG2iVkUM0RkG7jW8VT2WR3Pbk3bU8v4ioq/hcoxMkTuSV98kjuyDN5/7GW49VwvbRxlwZatbCZ4v5tz9VGu4Mj9Vv3pmcASbnlcFvZse43YhD/St04t+fisXdxLkmryg/yvSI/fYgd56lW+yNf9t5/Voa5CODr+6CGQWEtya8nU9lUL3tDzEIS7AMKzipDUjDLmRA8F4+h0vocgluj8tzwiCVC/iaBfgSXPUDkYqYkw=sobjACpHicjVHLSsNAFL2Nr1ofrboR3BRLiwspEykqropuXLjow7SF2pYkTmtoXiTQg39AXeuBLtScCF+hi78ARf9BHFZwY0Lb9KAaPFxQ2bOnLnzrlcyVQVmxHSD3Bj4xOTU8Hp0Mzs3Hw4srBYsI2WJVNBNlTDKkmiTVFpwJTmEpLpkVFTVJpUWrufFNrVsxdAPWcekFU1s6EpdkUWGVNGuOqJud2uRGEkSL6KjgPdBDPzIGJEHOIJjMECGFmhAQeGWAURbPzKwAMBE7kKOMhZiBTvnkIXQqhtYRbFDBHZJq4NPJV9VsezW9P21DK+ouJvoTIKcfJEbsmAPJI78kzef6zleDVcLx3cpaGWmrXw2XL+7U+VhjuDk0/Vr54Z1GHb86qgd9Nj3C7kob59ejHI7+TiToJckxf0f0X65B470Nuv8k2W5nr/9rM+0lUIR8d/H9QoKGwk+c1kKpuKpXf9IQZhBVZhDSe1BWnYhwI3svncAk9LsEdcHlOGKZyAV+zBF+Cq34AoReYmg=ACpHicjVHLSsNAFL2Nr1ofrboR3BRLiwspEykqropuXLjow7SF2pYkTmtoXiTQg39AXeuBLtScCF+hi78ARf9BHFZwY0Lb9KAaPFxQ2bOnLnzrlcyVQVmxHSD3Bj4xOTU8Hp0Mzs3Hw4srBYsI2WJVNBNlTDKkmiTVFpwJTmEpLpkVFTVJpUWrufFNrVsxdAPWcekFU1s6EpdkUWGVNGuOqohd2uRGEkSL6KjgPdBDPzIGJEHOIJjMECGFmhAQeGWAURbPzKwAMBE7kKOMhZiBTvnkIXQqhtYRbFDBHZJq4NPJV9VsezW9P21DK+ouJvoTIKcfJEbsmAPJI78kzef6zleDVcLx3cpaGWmrXw2XL+7U+VhjuDk0/Vr54Z1GHb86qgd9Nj3C7kob59ejHI7+TiToJckxf0f0X65B470Nuv8k2W5nr/9rM+0lUIR8d/H9QoKGwk+c1kKpuKpXf9IQZhBVZhDSe1BWnYhwI3svncAk9LsEdcHlOGKZyAV+zBF+Cq34AmEKYlg=ACnicjVHLSsNAFD2Nr1ofrboR3BRLxYWUqRQV0VB3Ih92AfUpI4raFpEpK0UIs/oFvFhSsF+Jn6MIfcNFPEJcV3LjwNg2IFh83ZObMmXvunMuVDFWxbMbaHmFgcGh4xDvqGxufmPQHpqazl43Z6RdVU385JocVXReMZWbJXnDZOLNUnlOam62b3PNbhpKbq2ZzcNXqyJFU0pK7JoE5UslwIhFmFOBPtB1AUhuJHQAw/YxwF0yKijBg4NmEVIiz6CoiCwSCuiBZxJiHFuec4ho+0dcrilCESW6W1QqeCy2p07ta0HLVMr6j0m6QMIsye2C3rsEd2x
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
