少即是多：降低三维点云语义分割的任务与模型复杂度
计算机视觉与模式识别
2023-03-29 v2
摘要
尽管近年来三维LiDAR点云数据的可用性显著增长，但标注仍然昂贵且耗时，这导致在自动驾驶等应用领域中对于半监督语义分割方法的需求。现有工作经常采用相对较大的分割骨干网络来提高分割精度，却以计算成本为代价。此外，许多方法使用均匀采样来减少学习所需的真值数据需求，往往导致次优性能。为解决这些问题，我们提出了一种新的流程，其采用更小的架构，相比当代方法仅需更少的真值标注即可达到更优的分割精度。这得益于一种新颖的稀疏深度可分离卷积（Sparse Depthwise Separable Convolution）模块，该模块在保持整体任务性能的同时显著减少了网络参数量。为有效子采样我们的训练数据，我们提出了一种新的时空冗余帧下采样（Spatio-Temporal Redundant Frame Downsampling, ST-RFD）方法，该方法利用环境中传感器运动的知识来提取更多样化的训练数据帧样本子集。为利用有限的标注数据样本，我们进一步提出了一种由LiDAR反射率启发的软伪标签方法。在SemanticKITTI（59.5@5%）和ScribbleKITTI（58.1@5%）基准数据集上，我们的方法在mIoU方面优于当代半监督工作，且使用更少的标注数据，基于模型参数减少2.3倍和乘加运算减少641倍，同时在有限训练数据上展现出显著的性能提升（即少即是多）。
引用
@article{arxiv.2303.11203,
title = {Less is More: Reducing Task and Model Complexity for 3D Point Cloud Semantic Segmentation},
author = {Li Li and Hubert P. H. Shum and Toby P. Breckon},
journal= {arXiv preprint arXiv:2303.11203},
year = {2023}
}
备注
Accepted by CVPR 2023; 11 pages, 8 figures; Code at https://github.com/l1997i/lim3d