基于主动学习的标签高效点云分割
计算机视觉与模式识别
2025-12-08 v1 机器人学
摘要
3D 点云数据的语义分割往往伴随高昂的标注成本。主动学习自动选择需标注的数据，从而减少实现满意性能所需的标注总量。 recent 方法通常基于复杂的启发式方法来划分可标注区域和选择最有益用于进一步神经网络训练的数据。在本工作中，我们提出一种新颖且易于实现的策略，用于将点云划分为可标注区域。我们利用二维网格将点云划分为柱列。为识别下一个需标注的数据，我们采用网络集成来估计网络输出的不确定性。我们在 S3DIS 数据集、Toronto-3D 数据集以及一大规模城市3D点云（弗赖布尔格市）上进行评估，该数据集我们部分手动标注。广泛的评估表明，我们的方法在所有数据集上均表现出与或优于复杂的 SOTA 方法相当的性能。此外，我们提供的结果表明，在点云语境中，标注区域可以是比标注点数更有意义的主动学习算法度量标准。
引用
@article{arxiv.2512.05759,
title = {Label-Efficient Point Cloud Segmentation with Active Learning},
author = {Johannes Meyer and Jasper Hoffmann and Felix Schulz and Dominik Merkle and Daniel Buescher and Alexander Reiterer and Joschka Boedecker and Wolfram Burgard},
journal= {arXiv preprint arXiv:2512.05759},
year = {2025}
}