从稀疏标注与层次描述子学习的 3D 分割
计算机视觉与模式识别
2021-06-08 v2 机器人学
摘要
3D 语义分割的主要障碍之一是为全监督训练生成昂贵的逐点标注所需的大量人工投入。为减轻人工负担，我们提出 GIDSeg，一种新方法，可通过推理全局-区域结构与个体-邻域属性同时从稀疏标注学习分割。GIDSeg 通过动态边卷积网络与核化身份描述子刻画全局与个体关系。该集成效果通过将细粒度感受野赋予低分辨率体素化地图而获得。在我们的 GIDSeg 中，还设计了对抗学习模块以进一步增强联合特征分布内身份描述子的条件约束。尽管看似简单，我们提出的方法在仅用稀疏标注推断 3D 稠密分割时优于当前最优方法。特别地，在原始数据 标注下，GIDSeg 优于其他 3D 分割方法。
引用
@article{arxiv.2105.12885,
title = {3D Segmentation Learning from Sparse Annotations and Hierarchical Descriptors},
author = {Peng Yin and Lingyun Xu and Jianmin Ji and Sebastian Scherer and Howie Choset},
journal= {arXiv preprint arXiv:2105.12885},
year = {2021}
}
备注
8 pages, 7 figures, Accepted in IEEE Robotics and Automation Letters, 2021