一类一击：基于主动学习的准场景级弱监督点云语义分割
计算机视觉与模式识别
2022-11-24 v1
摘要
依赖海量标注以达到领先性能严重限制了大规模点云语义分割的实用性。为降低数据标注成本，有效的标注方案被提出，并在弱监督策略下取得有竞争力的结果。重新审视当前的弱标签形式，我们引入一类一击（One Class One Click, OCOC），一种低成本且信息丰富的准场景级标签，其融合了点级与场景级标注。我们提出一种主动弱监督框架，从全局与局部视角引入弱监督以利用稀缺标签。通过基于全局特征嵌入与点级预测聚合的辅助场景分类任务施加上下文约束，将模型预测限制于仅满足 OCOC 标签。此外，我们设计了一种上下文感知伪标签策略，有效补充点级监督信号。最后，集成一种带有不确定性度量——时间输出差异的主动学习方案，以筛选信息量丰富的样本并指导子云查询，有助于快速获得理想的 OCOC 标注并将标注成本降至极低。基于机载、移动与地面平台采集的三个 LiDAR 基准数据集的广泛实验分析表明，尽管受限于稀缺标签，我们所提方法仍取得极具前景的结果。在平均 F1 分数上，其大幅超越真正的场景级弱监督方法达 25%，并与全监督方案取得相当结果。在地面 LiDAR 数据集 Semantics3D 上，使用约 2‰ 的标签，我们的方法取得 85.2% 的平均 F1 分数，较基线模型提升 11.58%。
引用
@article{arxiv.2211.12657,
title = {One Class One Click: Quasi Scene-level Weakly Supervised Point Cloud Semantic Segmentation with Active Learning},
author = {Puzuo Wang and Wei Yao and Jie Shao},
journal= {arXiv preprint arXiv:2211.12657},
year = {2022}
}