Box2Seg：利用框级监督学习三维点云语义
计算机视觉与模式识别
2022-01-11 v1
摘要
从无结构的三维点云中以更少标签学习稠密逐点语义，虽是一个现实问题，却在文献中少有探索。尽管现有的弱监督方法仅用一小部分点级标注即可有效学习语义，我们发现原始的边界框级标注对于大规模三维点云的语义分割同样具有信息量。本文引入一种称为Box2Seg的神经架构，以边界框级监督学习三维点云的逐点语义。我们方法的关键在于通过探索每个边界框内外几何与拓扑结构来生成准确的伪标签。具体而言，利用基于注意力的自训练（AST）技术与点类激活映射（PCAM）来估计伪标签。网络进一步用伪标签训练与精炼。在包括S3DIS与ScanNet的两个大规模基准上的实验证明了所提方法的竞争性能。特别是，所提网络可用廉价甚至现成的边界框级标注与子云级标签进行训练。
引用
@article{arxiv.2201.02963,
title = {Box2Seg: Learning Semantics of 3D Point Clouds with Box-Level Supervision},
author = {Yan Liu and Qingyong Hu and Yinjie Lei and Kai Xu and Jonathan Li and Yulan Guo},
journal= {arXiv preprint arXiv:2201.02963},
year = {2022}
}
备注
9 pages, 7 figures