面向点云弱监督三维语义分割的多路径区域挖掘
计算机视觉与模式识别
2020-03-31 v1
摘要
点云为场景理解提供内在的几何信息与表面上下文。现有的点云分割方法需要大量全标注数据。借助先进的深度传感器，大规模三维数据集的采集已不再是繁琐的过程。然而，在大规模数据集上人工生成点级标签耗时耗力。本文提出一种弱监督方法，利用三维点云上的弱标签预测点级结果。我们引入多路径区域挖掘模块，从以弱标签训练的分类网络生成伪点级标签。该模块利用不同的注意力模块从网络特征的多个方面挖掘每类的定位线索。随后，我们使用点级伪标签以全监督方式训练点云分割网络。据我们所知，这是首个在原始三维空间上使用云级弱标签训练点云语义分割网络的方法。在我们的设定中，三维弱标签仅指示输入样本中出现过的类别。我们讨论了原始三维点云数据上场景级与子云级弱标签，并对二者进行了深入实验。在 ScanNet 数据集上，我们使用子云级标签训练的结果与部分全监督方法相当。
引用
@article{arxiv.2003.13035,
title = {Multi-Path Region Mining For Weakly Supervised 3D Semantic Segmentation on Point Clouds},
author = {Jiacheng Wei and Guosheng Lin and Kim-Hui Yap and Tzu-Yi Hung and Lihua Xie},
journal= {arXiv preprint arXiv:2003.13035},
year = {2020}
}
备注
Accepted by CVPR2020