面向三维点云的标签高效深度学习综述

在过去十年中，深度神经网络在点云学习中取得了显著进展。然而，收集大规模精确标注的训练数据极其费力且昂贵，这阻碍了现有点云数据集的可扩展性，并对各种任务与应用中点云数据的高效探索构成了瓶颈。标签高效学习通过以大幅减少的标注代价实现有效的深度网络训练，提供了一条有前景的解决途径。本文呈现了首个关于点云标签高效学习的全面综述。我们针对这一新兴研究领域回答了三个关键问题：i) 点云处理中标签高效学习的重要性和紧迫性，ii) 其涵盖的子领域，以及 iii) 该领域所取得的进展。为此，我们提出了一种基于不同类型标签所提供数据前提对标签高效学习方法进行分类的法系。我们将显著减少点云标注代价的四种典型标签高效学习方法归类为：数据增强、域迁移学习、弱监督学习以及预训练基础模型。对于每种方法，我们概述了问题设定并提供了展现相关进展与挑战的广泛文献回顾。最后，我们分享了关于当前研究挑战与潜在未来方向的见解。与本综述相关的项目已构建于 https://github.com/xiaoaoran/3D_label_efficient_learning。