用于 3D 点云弱监督语义分割的密集监督传播
计算机视觉与模式识别
2024-04-02 v3
摘要
3D 点云上的语义分割是 3D 场景理解的一项重要任务。尽管在 3D 数据上进行密集标注既昂贵又耗时，但仅有少量工作通过从更简单、更廉价的标签中学习来降低标注成本，从而解决弱监督语义点云分割方法。同时，现有的弱监督方法与 SOTA 全监督方法之间仍存在巨大的性能差距。在本文中，我们仅对一小部分点进行标注来训练一个语义点云分割网络。我们认为，通过将监督信号从标注点密集传播到输入样本内外的其他点，可以更好地利用有限的监督信息。具体而言，我们提出了一个跨样本特征重分配模块，以转移相似特征从而在具有共同类别的两个样本间重新路由梯度，以及一个样本内特征重分布模块，以在点云样本内外传播未标注点上的监督信号。我们在公开数据集 S3DIS 和 ScanNet 上进行了大量实验。我们仅使用 10% 和 1% 标签的弱监督方法能够产生与全监督对应方法相当的结果。
引用
@article{arxiv.2107.11267,
title = {Dense Supervision Propagation for Weakly Supervised Semantic Segmentation on 3D Point Clouds},
author = {Jiacheng Wei and Guosheng Lin and Kim-Hui Yap and Fayao Liu and Tzu-Yi Hung},
journal= {arXiv preprint arXiv:2107.11267},
year = {2024}
}