从 CAD 模型到软点云标签：一种用于低成本监督 3D 语义分割的自动标注流水线
计算机视觉与模式识别
2023-07-26 v3
摘要
我们提出了一种全自动标注方案，该方案以带有拟合 CAD 模型集合的原始 3D 点云作为输入，并输出令人信服的逐点标签，这些标签可用作点云分割的低成本训练数据。与人工标注相比，我们表明我们的自动标签在大幅减少标注时间并消除对人工干预或特定数据集参数需求的同时，保持了准确性。我们的标注流水线输出语义类别和软逐点目标分数，这些分数可以被二值化为标准的独热编码标签，被阈值化为保留未标注歧义点的弱标签，或在训练期间直接用作软标签。我们在真实工业点云数据集和室内场景公开数据集 Scan2CAD 上评估了 PointNet++ 的标签质量和分割性能。结果表明，与在难以自动标注的区域天真地为每个点分配硬性“最佳猜测”标签的传统方法相比，在这些区域降低监督强度是有益的。
引用
@article{arxiv.2302.03114,
title = {From CAD models to soft point cloud labels: An automatic annotation pipeline for cheaply supervised 3D semantic segmentation},
author = {Galadrielle Humblot-Renaux and Simon Buus Jensen and Andreas Møgelmose},
journal= {arXiv preprint arXiv:2302.03114},
year = {2023}
}
备注
updated version, published in the Remote Sensing journal