一种用于ALS点云语义分割的弱监督新方法
计算机视觉与模式识别
2021-10-07 v2
摘要
尽管已有新颖的点云语义分割方案不断超越最先进(SOTA)结果，但学习有效模型的成功通常依赖于大量标注数据的可用性。然而，数据标注是一项耗时耗力的任务，尤其对于涉及城市区域多类别的大规模机载激光扫描(ALS)点云而言。因此，如何在大幅减少标注工作的同时取得理想结果成为一个关键问题。本研究提出了一种基于深度学习的ALS点云语义分割弱监督框架，利用来自未标注数据的潜在信息，以应对不完整且稀疏的标签。引入熵正则化以惩罚预测概率中的类别重叠。此外，设计了一种通过最小化即时预测与集成预测之间差异距离的一致性约束，以提升预测的鲁棒性。最后，我们提出了一种在线软伪标签策略，以高效且无参数的方式创建额外的监督来源。使用三个基准数据集的广泛实验分析表明，在稀疏点标注情况下，我们所提方法显著提升了分类性能且不牺牲计算效率。它优于当前的弱监督方法，并取得了与全监督竞争对手相当的结果。对于ISPRS 3D Labeling Vaihingen数据，仅使用0.1%的标签，我们的方法取得了83.0%的总体精度和70.0%的平均F1分数，相比仅用稀疏标签信息训练的模型分别提升了6.9%和12.8%。
引用
@article{arxiv.2110.01462,
title = {A new weakly supervised approach for ALS point cloud semantic segmentation},
author = {Puzuo Wang and Wei Yao},
journal= {arXiv preprint arXiv:2110.01462},
year = {2021}
}