极端天气下 LiDAR 点云标签高效语义分割

极端天气条件会严重影响 LiDAR 传感器性能，通过在测量中引入不需要的噪声。因此，区分噪声点与有效点对于可靠使用这些传感器至关重要。当前用于检测极端天气点的做法需要大量标注数据，而这类数据获取可能困难且昂贵。本文提出一种面向极端天气点云的标签高效分割方法。我们构建一个框架，使用 few-shot 语义分割从少量标注示例中学习以分割极端天气点。随后，我们采用半监督学习方法为未标注点云生成伪标签，从而显著增加训练数据而无需额外标注。我们还将良好天气数据整合到训练管道中，实现在良好和极端天气条件下的高性能。在真实和合成数据集上的结果表明，我们的方法在检测雪、雾和喷雾方面表现良好。此外，我们在仅使用极少标注数据的情况下，就实现了对全监督方法的竞争性能。