一物一点：一种用于弱监督 3D 语义分割的自训练方法
计算机视觉与模式识别
2021-11-24 v4
摘要
点云语义分割通常需要大规模标注训练数据，但显然逐点标签过于繁琐而难以准备。尽管近期一些方法提出以少量百分比的点标签训练 3D 网络，我们将该方法推向极致并提出“一物一点”，即标注者仅需对每个物体标注一个点。为在网络训练中利用这些极稀疏标签，我们设计了一种新颖的自训练方法，其中我们通过图传播模块迭代地进行训练与标签传播。此外，我们采用关系网络生成每类原型并显式建模图节点间相似性以生成伪标签来指导迭代训练。在 ScanNet-v2 和 S3DIS 上的实验结果表明，我们的自训练方法在极稀疏标注下大幅优于所有现有的弱监督 3D 语义分割方法，且我们的结果也可与全监督对应方法相媲美。
引用
@article{arxiv.2104.02246,
title = {One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation},
author = {Zhengzhe Liu and Xiaojuan Qi and Chi-Wing Fu},
journal= {arXiv preprint arXiv:2104.02246},
year = {2021}
}
备注
Accepted by CVPR 2021