基于超图卷积网络的场景级标注弱监督点云语义分割
计算机视觉与模式识别
2025-02-04 v1 图形学
摘要
带有场景级标注的点云分割是一项有前景但具挑战性的任务。当前最流行的方法是使用类激活图（CAM）定位判别性区域，然后从场景级标注生成点级伪标签。然而，这些方法总是受限于类别间点的不平衡，以及来自 CAM 的稀疏且不完整的监督。本文中，我们提出一种新颖的基于加权超图卷积网络的方法，称为 WHCN，以应对从场景级标注学习点级标签的挑战。首先，为同时克服不同类别间点的不平衡并降低模型复杂度，利用几何同质划分生成训练点云的超级点。然后，基于从场景级标注转换得到的高置信超级点级种子构建超图。其次，WHCN 以超图为输入，通过标签传播学习预测高精度点级伪标签。除由谱超图卷积块组成的骨干网络外，还学习了一个超边注意力模块以调整 WHCN 中超边的权重。最后，通过这些伪点云标签训练分割网络。我们在 ScanNet 与 S3DIS 分割数据集上进行了全面实验。实验结果表明，所提 WHCN 能有效利用场景标注预测点标签，并取得了领域内最先进的（SOTA）结果。源代码可在 http://zhiyongsu.github.io/Project/WHCN.html 获取。
引用
@article{arxiv.2211.01174,
title = {Hypergraph Convolutional Network based Weakly Supervised Point Cloud Semantic Segmentation with Scene-Level Annotations},
author = {Zhuheng Lu and Peng Zhang and Yuewei Dai and Weiqing Li and Zhiyong Su},
journal= {arXiv preprint arXiv:2211.01174},
year = {2025}
}