GaIA：基于图信息增益的注意力网络用于弱监督点云语义分割
计算机视觉与模式识别
2022-10-05 v1
摘要
尽管点云语义分割是三维场景理解中的一项重要任务，但该任务需要耗时的全标注标签过程。为解决此问题，近期研究采用稀疏标注下的弱监督学习方法。与现有研究不同，本研究旨在降低由熵度量的认知不确定性，以实现精确的语义分割。我们提出了称为GaIA的基于图信息增益的注意力网络，其基于可靠信息缓解每个点的熵。图信息增益通过利用目标点与其邻域之间的相对熵来判别可靠点。我们进一步引入基于锚点的加性角间隔损失ArcPoint。ArcPoint在超球面空间上将包含高熵的未标注点优化至与标注点语义相似的类别。在S3DIS和ScanNet-v2数据集上的实验结果表明，我们的框架优于现有的弱监督方法。我们已在 https://github.com/Karel911/GaIA 发布了GaIA。
引用
@article{arxiv.2210.01558,
title = {GaIA: Graphical Information Gain based Attention Network for Weakly Supervised Point Cloud Semantic Segmentation},
author = {Min Seok Lee and Seok Woo Yang and Sung Won Han},
journal= {arXiv preprint arXiv:2210.01558},
year = {2022}
}
备注
WACV 2023 accepted paper