ItTakesTwo：基于对等表示的半监督 LiDAR 语义分割
计算机视觉与模式识别
2025-06-03 v3
摘要
生产大规模训练集用于建模语义 LiDAR 分割方法的标注过程昂贵且耗时，这促使半监督学习 (SSL) 方法的发展。然而，这些 SSL 方法通常仅针对单个 LiDAR 表示执行一致性学习，这种狭窄的关注点导致扰动有限，难以实现有效的一致性学习。此外，这些方法还基于从有限的正负嵌入样本集合中进行采样进行对比学习。本文提出一种名为 ItTakesTwo（IT2）的新型半监督 LiDAR 语义分割框架。IT2 旨在确保来自对等 LiDAR 表示的预测一致，从而提高一致性学习中的扰动效果。此外，我们的对比学习采用来自整个训练集所学习的正负嵌入分布中抽取的informative样本。在公共基准测试结果表明，我们的方法在该领域的前沿方法上实现了显著提升。代码已公开：https://github.com/yyliu01/IT2。
关键词
引用
@article{arxiv.2407.07171,
title = {ItTakesTwo: Leveraging Peer Representations for Semi-supervised LiDAR Semantic Segmentation},
author = {Yuyuan Liu and Yuanhong Chen and Hu Wang and Vasileios Belagiannis and Ian Reid and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2407.07171},
year = {2025}
}
备注
27 pages (15 pages main paper and 12 pages supplementary with references), ECCV 2024 accepted