学习超点间亲和力用于弱监督 3D 实例分割
计算机视觉与模式识别
2022-10-12 v1
摘要
由于 3D 点云的标注标签很少，如何学习点云的判别性特征以分割物体实例是一个具有挑战性的问题。在本文中，我们提出了一个简单而有效的 3D 实例分割框架，仅需为每个实例标注一个点即可获得良好的性能。具体而言，为了处理实例分割中极其稀少的标签，我们首先以无监督方式将点云过分割为超点，并将点级标注扩展到超点级。然后，基于超点图，我们提出了一个超点间亲和力挖掘模块，该模块考虑语义和空间关系，自适应地学习超点间亲和力，以通过语义感知随机游走生成高质量的伪标签。最后，我们提出了一个体积感知实例细化模块，通过在超点图上的聚类中应用物体的体积约束来分割高质量实例。在 ScanNet-v2 和 S3DIS 数据集上的大量实验表明，我们的方法在弱监督点云实例分割任务中达到了 state-of-the-art 性能，甚至超过了一些全监督方法。
引用
@article{arxiv.2210.05534,
title = {Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation},
author = {Linghua Tang and Le Hui and Jin Xie},
journal= {arXiv preprint arXiv:2210.05534},
year = {2022}
}
备注
accepted by ACCV 2022