用于半监督激光雷达语义分割的 LaserMix
计算机视觉与模式识别
2023-09-04 v4 机器学习
机器人学
摘要
密集标注 LiDAR 点云成本高昂，这限制了全监督学习方法的扩展性。在这项工作中，我们研究 LiDAR 分割中未被充分探索的半监督学习 (SSL)。我们的核心思想是利用 LiDAR 点云强大的空间线索来更好地利用未标注数据。我们提出 LaserMix 来混合来自不同 LiDAR 扫描的激光束，然后鼓励模型在混合前后做出一致且置信的预测。我们的框架具有三个吸引人的特性：1) 通用性：LaserMix 与 LiDAR 表示（例如距离视图和体素）无关，因此我们的 SSL 框架可普遍应用。2) 统计基础：我们提供了详细分析以从理论上解释所提框架的适用性。3) 有效性：在流行的 LiDAR 分割数据集（nuScenes、SemanticKITTI 和 ScribbleKITTI）上的综合实验分析证明了我们的有效性和优越性。值得注意的是，我们以少 2 到 5 倍的标注取得了与全监督对应方法相竞争的结果，并通过平均 10.8% 显著改进了仅监督基线。我们希望这个简洁而高性能的框架能促进未来在半监督 LiDAR 分割方面的研究。代码已公开可用。
引用
@article{arxiv.2207.00026,
title = {LaserMix for Semi-Supervised LiDAR Semantic Segmentation},
author = {Lingdong Kong and Jiawei Ren and Liang Pan and Ziwei Liu},
journal= {arXiv preprint arXiv:2207.00026},
year = {2023}
}
备注
CVPR 2023 (Highlight); 27 pages, 11 figures, 12 tables; Code at https://github.com/ldkong1205/LaserMix