基于空间-结构多样性推理的点云语义分割主动学习
计算机视觉与模式识别
2022-04-19 v2
摘要
高昂的标注成本众所周知是点云语义分割技术发展的主要制约。主动学习方法力求仅选取并标注点云的子集来降低该成本，然而以往尝试忽视了所选样本的空间-结构多样性，导致模型在局部区域选取形状相似的聚集候选而遗漏全局环境中其他具代表性的样本。本文提出一种新的基于3D区域的主动学习方法来解决该问题。我们的方法称为SSDR-AL，将原始点云分组为超点并增量式选取信息量最大且最具代表性的超点用于标签获取。我们通过一个同时考虑超点空间与结构多样性的图推理网络实现该选取机制。为在更实际场景中部署SSDR-AL，我们设计了一种噪声感知的迭代标注策略，以应对先前超点中“主导标注”策略引入的“噪声标注”问题。在两个点云基准上的大量实验证明了SSDR-AL在语义分割任务中的有效性。特别地，SSDR-AL显著优于基线方法，并在达到全监督学习90%性能时分别降低标注成本达63.0%与24.0%。
引用
@article{arxiv.2202.12588,
title = {Active Learning for Point Cloud Semantic Segmentation via Spatial-Structural Diversity Reasoning},
author = {Feifei Shao and Yawei Luo and Ping Liu and Jie Chen and Yi Yang and Yulei Lu and Jun Xiao},
journal= {arXiv preprint arXiv:2202.12588},
year = {2022}
}
备注
9 pages, 6 figures, 2 tables