ClickSeg：基于点击级弱标注的三维实例分割
计算机视觉与模式识别
2023-07-20 v1
摘要
三维实例分割方法通常需要完全标注的稠密标签进行训练，而这类标签获取成本高昂。本文提出 ClickSeg，一种新颖的点击级弱监督三维实例分割方法，每个实例仅需一个点的标注。由于标签极度有限，该问题极具挑战性，此前鲜有解决。我们首先开发了一个基线弱监督训练方法，由模型自身为未标注数据生成伪标签。为利用点击级标注设置的性质，我们进一步提出了一种新的训练框架。不同于直接使用模型推理方式（即均值漂移聚类）生成伪标签，我们提出使用以标注点为固定初始种子的 k-means 聚类，并进一步设计了新的相似性度量用于聚类。在 ScanNetV2 和 S3DIS 数据集上的实验表明，所提出的 ClickSeg 大幅超越此前最佳的弱监督实例分割结果（例如在 ScanNetV2 上 mAP 提升 9.4%）。仅使用 0.02% 的监督信号，ClickSeg 达到了全监督对应方法约 90% 的精度。同时，在采用相同标注设置的弱监督方法中，它也取得了最先进的语义分割结果。
引用
@article{arxiv.2307.09732,
title = {ClickSeg: 3D Instance Segmentation with Click-Level Weak Annotations},
author = {Leyao Liu and Tao Kong and Minzhao Zhu and Jiashuo Fan and Lu Fang},
journal= {arXiv preprint arXiv:2307.09732},
year = {2023}
}