LESS：面向 LiDAR 点云的高效标注语义分割
计算机视觉与模式识别
2022-10-18 v1 机器人学
摘要
LiDAR 点云的语义分割是自动驾驶中的一项重要任务。然而，通过常规监督方法训练深度模型需要大型数据集，而标注成本高昂。具备高效标注的分割方法对于将模型扩展到新的运行域或提升在罕见案例上的性能至关重要。尽管多数已有工作聚焦于室内场景，我们是最早提出面向室外 LiDAR 点云场景的高效标注语义分割流程的工作之一。我们的方法协同设计了高效标注流程与半/弱监督学习，并适用于几乎所有三维语义分割骨干网络。具体而言，我们利用室外场景中的几何模式进行启发式预分割以减少人工标注，并与标注流程联合设计学习目标。在学习阶段，我们利用原型学习获得更具描述性的点嵌入，并使用多帧蒸馏从时间聚合的点云中挖掘更丰富的语义以提升单帧模型性能。在 SemanticKITTI 和 nuScenes 数据集上的评估表明，我们提出的方法优于现有的高效标注方法。在极少人工标注（如 0.1% 点标签）下，我们提出的方法甚至与具有 100% 标签的全监督方法极具竞争力。
引用
@article{arxiv.2210.08064,
title = {LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds},
author = {Minghua Liu and Yin Zhou and Charles R. Qi and Boqing Gong and Hao Su and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2210.08064},
year = {2022}
}