标签高效的 LiDAR 全景分割
计算机视觉与模式识别
2025-07-10 v2 机器人学
摘要
基于学习的机器人场景理解方法的一个主要瓶颈是严重依赖大量标注训练数据，这往往限制了其泛化能力。在 LiDAR 全景分割中，由于需要同时处理来自复杂、高维点云数据的语义分割和实例分割，这一挑战变得更加显著。在本工作中，我们利用标签高效的视觉全景分割的最新进展，解决了仅有少量标注样本情况下的 LiDAR 全景分割挑战。为此，我们提出了一种新方法——有限标签 LiDAR 全景分割（L3PS），该方法仅需极少量的标注数据。我们的方法首先利用一个标签高效的 2D 网络从小部分标注图像中生成全景伪标签，随后将其投影到点云上。接着，我们引入了一个利用点云几何特性的新型 3D 细化模块。通过结合聚类技术、顺序扫描累积和地面点分离，该模块显著提高了伪标签的准确性，使分割质量提升了高达 +10.6 PQ 和 +7.9 mIoU。我们证明这些细化后的伪标签可用于有效训练现成的 LiDAR 分割网络。通过大量实验，我们表明 L3PS 不仅优于现有方法，还大幅减轻了标注负担。我们在 https://l3ps.cs.uni-freiburg.de 发布了本工作的代码。
关键词
引用
@article{arxiv.2503.02372,
title = {Label-Efficient LiDAR Panoptic Segmentation},
author = {Ahmet Selim Çanakçı and Niclas Vödisch and Kürsat Petek and Wolfram Burgard and Abhinav Valada},
journal= {arXiv preprint arXiv:2503.02372},
year = {2025}
}
备注
Accepted for the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025