探索不完美标签下基于激光雷达的语义分割单域泛化
计算机视觉与模式识别
2026-03-11 v2 机器学习
机器人学
摘要
准确的感知对于车辆安全至关重要，激光雷达是自动驾驶中的关键使能器。为确保在不进行高成本重新标注的情况下在不同环境、传感器类型和天气条件下获得稳健性能，针对激光雷达 3D 语义分割的域泛化至关重要。然而，激光雷达标注常因传感器不完美、遮挡和人为错误而存在噪声。这种噪声会降低分割精度，并在域迁移下进一步放大，威胁系统可靠性。虽然噪声标签学习在图像领域已为人所熟知，但其在 3D 激光雷达分割的域泛化方面仍 largely 未探索，因为稀疏且规则的点云结构限制了直接应用 2D 方法。为填补这一空白，我们提出了基于不完美标签的激光雷达语义分割域泛化任务（DGLSS-NL），并通过改编三种代表性的噪声标签学习策略从图像分类迁移至 3D 分割，建立了第一个基准。然而，我们发现现有的噪声标签学习方法难以适用于激光雷达数据。因此，我们提出了 DuNe—a 双视图框架，包含强分支和弱分支，通过特征级一致性约束并基于置信度感知过滤预测应用交叉熵损失。我们的做法实现了最佳性能，在 SemanticKITTI 上达到56.86% mIoU，在 nuScenes 上达到42.28%，在 SemanticPOSS 上达到52.58%，在10%对称标签噪声下，整体算术平均值为49.57%，调和平均值为48.50%，显现了在 DGLSS-NL 任务中实现稳健的域泛化。该代码已在我们的项目页面上提供。
引用
@article{arxiv.2510.09035,
title = {Exploring Single Domain Generalization of LiDAR-based Semantic Segmentation under Imperfect Labels},
author = {Weitong Kong and Zichao Zeng and Di Wen and Jiale Wei and Kunyu Peng and June Moh Goo and Jan Boehm and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2510.09035},
year = {2026}
}