基于时空相关性的半监督LiDAR语义分割学习
计算机视觉与模式识别
2024-10-10 v1
摘要
我们解决半监督LiDAR语义分割（SSLS）问题中的挑战，尤其是在低预算场景下。低预算SSLS的主要问题是 unlabeled数据上伪标签质量较差，以及由于ground-truth与伪标签之间的显著不平衡导致性能下降。这种不平衡导致训练循环恶化。为克服这些挑战，我们利用时空先验，通过识别相邻LiDAR扫描之间的显著重叠来实现。我们提出一种基于邻近性的标签估计方法，该方法利用与相邻已标记数据之间的语义一致性为unlabeled数据生成高质量伪标签。此外，我们通过逐步扩展从最近unlabeled扫描的伪标签，以显著减少动态类别相关的错误。此外，我们采用双分支结构来缓解数据不平衡导致的性能下降。实验结果表明，在低预算设置（即≤5%）下表现卓越，在正常预算设置（即5-50%）下也实现显著提升。最后，我们的方法在SemanticKITTI和nuScenes上的半监督LiDAR分割任务上实现了新的状态突破。仅使用5%标记数据，即可获得与完全监督方法相当的结果。此外，在nuScenes上仅使用20%标记数据（76.0%），即可超过前一方法在100%标记数据下（75.2%）的性能。代码已在https://github.com/halbielee/PLE中提供。
引用
@article{arxiv.2410.06893,
title = {Learning from Spatio-temporal Correlation for Semi-Supervised LiDAR Semantic Segmentation},
author = {Seungho Lee and Hwijeong Lee and Hyunjung Shim},
journal= {arXiv preprint arXiv:2410.06893},
year = {2024}
}