HAVANA：面向机载激光扫描点云语义分割的难负样本感知自监督对比学习
计算机视觉与模式识别
2022-10-20 v1
摘要
基于深度神经网络(DNN)的点云语义分割在大规模标注航空激光点云数据集上已取得显著成果。然而，标注此类大规模点云耗时费力。由于机载激光扫描(ALS)点云的密度变化与空间异质性，DNN 缺乏泛化能力，从而导致语义分割效果欠佳——在一个区域训练的 DNN 直接用于其他区域时表现不佳。而自监督学习(SSL)是一种有前景的解决途径：利用无标签样本预训练 DNN 模型，再进行仅涉及极少标签的微调下游任务。故此，本文提出一种难负样本感知的自监督对比学习方法，用于语义分割的模型预训练。传统的点云对比学习仅依赖学习过程中所得嵌入特征间的距离来选取最难负样本，可能将同属一类的某些负样本演化进来，削弱对比学习效能。因此，我们设计了一种基于 k-means 聚类的 AbsPAN(绝对正样本与负样本)策略以过滤可能的假负样本。在两个典型 ALS 基准数据集上的实验表明，所提方法比无预训练的监督训练方案更具吸引力。尤其在标签极度匮乏时(ISPRS 训练集的 10%)，所提 HAVANA 方法取得的结果仍超过全训练集监督范式性能的 94%。
引用
@article{arxiv.2210.10626,
title = {HAVANA: Hard negAtiVe sAmples aware self-supervised coNtrastive leArning for Airborne laser scanning point clouds semantic segmentation},
author = {Yunsheng Zhang and Jianguo Yao and Ruixiang Zhang and Siyang Chen and Haifeng Li},
journal= {arXiv preprint arXiv:2210.10626},
year = {2022}
}