面向半监督点云语义分割的引导点对比学习
计算机视觉与模式识别
2021-10-18 v1
摘要
3D 语义分割的快速进展离不开深度网络模型的进步，而后者高度依赖大规模标注数据进行训练。为解决 3D 点级标注成本高且困难的挑战，我们提出一种半监督点云语义分割方法，在训练中利用无标注点云以提升模型性能。受近期自监督任务中对比损失的启发，我们提出引导点对比损失，在半监督设定下增强特征表示与模型泛化能力。无标注点云上的语义预测在我们的损失中作为伪标签引导，以避免同类别中的负样本对。同时，我们设计置信度引导以确保高质量的特征学习。此外，提出类别平衡采样策略来收集正负样本，以缓解类不平衡问题。在三个数据集（ScanNet V2、S3DIS 和 SemanticKITTI）上的大量实验表明，我们的半监督方法利用无标注数据提升预测质量的有效性。
引用
@article{arxiv.2110.08188,
title = {Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation},
author = {Li Jiang and Shaoshuai Shi and Zhuotao Tian and Xin Lai and Shu Liu and Chi-Wing Fu and Jiaya Jia},
journal= {arXiv preprint arXiv:2110.08188},
year = {2021}
}
备注
ICCV 2021