面向半监督 LiDAR 语义分割的高低时序敏感表示学习
计算机视觉与模式识别
2025-03-25 v1
摘要
LiDAR 点云语义分割在自动驾驶中发挥着关键作用。近年来，由于显著减少了标注劳动和时间成本，半监督方法受到广泛关注。当前的半监督方法通常关注点云的空间分布或考虑短期时序表示，例如仅考虑两个相邻帧，往往忽视了自动驾驶场景中固有的丰富的长期时序特性。在驾驶经验中，我们注意到，靠近的物体（如道路和车辆）在驾驶过程中保持稳定，而远处的物体在类别和形状上 exhibits greater variability。这种自然现象也被 LiDAR 所捕获，LiDAR 反映出对靠近物体的较低时序敏感性以及对远处物体的较高时序敏感性。为了利用这些特性，我们提出了 HiLoTs，通过从连续 LiDAR 帧中学习高时序敏感表示和低时序敏感表示。这些表示通过跨注意力机制进一步被增强和融合。此外，我们采用教师-学生框架来对齐由带标签和不带标签分支学习的表示，从而有效地利用大量未标记的数据。在 SemanticKITTI 和 nuScenes 数据集上的实验结果表明，我们提出的 HiLoTs 优于当前流行的半监督方法，性能也接近 LiDAR+摄像头多模态方法。代码已在 https://github.com/rdlin118/HiLoTs 上提供。
引用
@article{arxiv.2503.17752,
title = {HiLoTs: High-Low Temporal Sensitive Representation Learning for Semi-Supervised LiDAR Segmentation in Autonomous Driving},
author = {R. D. Lin and Pengcheng Weng and Yinqiao Wang and Han Ding and Jinsong Han and Fei Wang},
journal= {arXiv preprint arXiv:2503.17752},
year = {2025}
}
备注
accepted by CVPR 2025