通过解耦优化实现大规模点云语义分割的类别不平衡半监督学习
计算机视觉与模式识别
2024-01-17 v1
摘要
半监督学习（SSL）由于显著降低了数据标注成本，已成为大规模三维场景理解的一个活跃研究课题。然而，现有的基于 SSL 的方法遭受严重的训练偏差，主要源于点云数据的类别不平衡和长尾分布。结果，它们导致对尾部类别分割的预测偏差。在本文中，我们引入了一个新的解耦优化框架，该框架以交替优化的方式解耦特征表示学习和分类器，以有效地移动偏差决策边界。特别地，我们首先采用两轮伪标签生成，从头部到尾部类别中选择未标记点。我们进一步引入多类别不平衡聚焦损失，以自适应地更多关注从头部到尾部类别的特征学习。我们在特征学习后固定骨干参数，并使用真实标注点重新训练分类器以更新其参数。大量实验证明了我们方法的有效性，在室内和室外三维点云数据集（即 S3DIS、ScanNet-V2、Semantic3D 和 SemanticKITTI）上，使用 1% 和 1pt 评估均优于先前的最先进方法。
引用
@article{arxiv.2401.06975,
title = {Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization},
author = {Mengtian Li and Shaohui Lin and Zihan Wang and Yunhang Shen and Baochang Zhang and Lizhuang Ma},
journal= {arXiv preprint arXiv:2401.06975},
year = {2024}
}