用于弱监督点云分割的双重自适应变换
计算机视觉与模式识别
2022-07-20 v1
摘要
弱监督点云分割，即在整个3D场景中仅用极少数标注点进行语义分割，由于为模型训练收集大量密集标注的沉重负担而备受青睐。然而，现有方法仍难以准确分割3D点云，因为有限的标注数据可能导致标签传播到未标注数据的指导不足。考虑到基于平滑的方法已取得可喜进展，本文主张在各种扰动下应用一致性约束来有效正则化未标注的3D点。具体而言，我们提出一种用于弱监督点云分割的新型DAT（双重自适应变换）模型，其中双重自适应变换通过在点级和区域级的对抗策略执行，旨在对3D点云施加局部和结构平滑约束。我们在大规模S3DIS和ScanNet-V2数据集上用两种流行骨干网络评估了提出的DAT模型。大量实验表明，我们的模型能有效利用未标注的3D点并在两个数据集上取得显著性能提升，为弱监督点云分割树立了全新的SOTA性能。
引用
@article{arxiv.2207.09084,
title = {Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation},
author = {Zhonghua Wu and Yicheng Wu and Guosheng Lin and Jianfei Cai and Chen Qian},
journal= {arXiv preprint arXiv:2207.09084},
year = {2022}
}
备注
ECCV 2022