面向半监督点云语义分割的层次化基于点的主动学习
计算机视觉与模式识别
2023-08-23 v1 人工智能
摘要
全监督方法借助大量标注数据已在点云语义分割上取得令人印象深刻的性能。由于获取带逐点标签的大规模点云数据费时费力,许多研究尝试以有限标注学习三维点云分割。主动学习是实现该目标的有效策略之一,但仍未被充分探索。此类最新方法为每个预划分区域度量不确定性以进行人工标注,但存在信息冗余且需额外精力划分区域。本文旨在通过提出层次化基于点的主动学习策略解决该问题。具体而言,我们通过考虑多层次上下文信息的层次化最小间隔不确定性模块度量每个点的不确定性。随后,设计特征距离抑制策略以选择重要且具代表性的点进行人工标注。此外,为更好利用未标注数据,我们基于该主动策略构建了半监督分割框架。在 S3DIS 和 ScanNetV2 数据集上的大量实验表明,所提框架仅用 0.07% 和 0.1% 的训练数据即分别达到全监督基线 96.5% 和 100% 的性能,优于当前最优的弱监督与主动学习方法。代码将发布于 https://github.com/SmiletoE/HPAL。
引用
@article{arxiv.2308.11166,
title = {Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation},
author = {Zongyi Xu and Bo Yuan and Shanshan Zhao and Qianni Zhang and Xinbo Gao},
journal= {arXiv preprint arXiv:2308.11166},
year = {2023}
}
备注
International Conference on Computer Vision (ICCV) 2023