AdaCo：基于自适应标签校正的 3D 语义分割视觉基石模型去噪方法
计算机视觉与模式识别
2024-12-25 v1
摘要
最近的视觉基石模型（VFMs）在 3D 感知任务中展现出惊人的泛化性能，但其在大规模户外数据集中的有效性受到准确监督信号稀缺、可变户外条件导致的噪声大致以及未知物体数量丰富等制约。本文提出一种新颖的无标签学习方法——自适应标签校正（AdaCo），用于 3D 语义分割。AdaCo 首先引入跨模态标签生成模块（CLGM），利用 VFMs 的强大解释能力提供跨模态监督。随后，AdaCo 融入自适应噪声校正器（ANC），在训练期间迭代地更新和调整这些噪声样本。此外，我们开发了自适应鲁棒损失（ARL）函数，以调节每个样本对噪声监督的敏感性，防止鲁棒损失可能导致的欠拟合问题。我们提出的 AdaCo 能够有效缓解无标签学习网络在 3D 语义分割任务中的性能局限。两个户外基准数据集上的大量实验表明，我们的方法性能卓越。
引用
@article{arxiv.2412.18255,
title = {AdaCo: Overcoming Visual Foundation Model Noise in 3D Semantic Segmentation via Adaptive Label Correction},
author = {Pufan Zou and Shijia Zhao and Weijie Huang and Qiming Xia and Chenglu Wen and Wei Li and Cheng Wang},
journal= {arXiv preprint arXiv:2412.18255},
year = {2024}
}
备注
2025 AAAI