面向三维点云理解的开放集半监督学习
计算机视觉与模式识别
2022-05-03 v1 人工智能
摘要
三维点云的语义理解依赖于使用大规模标注数据学习的模型，而在许多情况下，这些数据昂贵或难以收集。这导致了针对三维点云的半监督学习（SSL）的新兴研究兴趣。SSL 中通常假设未标注数据与标注数据来自同一分布；然而，该假设在真实环境中很少成立。盲目使用分布外（OOD）未标注数据可能损害 SSL 性能。在本文中，我们提出通过样本加权选择性利用未标注数据，从而仅优先使用有益的未标注数据。为估计权重，我们采用双层优化框架，该框架在留出验证集上迭代优化元目标、在训练集上迭代优化任务目标。面对高效双层优化器的不稳定性，我们进一步提出三种正则化技术以增强训练稳定性。在三维点云分类与分割任务上的大量实验验证了我们所提方法的有效性。我们还展示了更高效训练策略的可行性。
引用
@article{arxiv.2205.01006,
title = {Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding},
author = {Xian Shi and Xun Xu and Wanyue Zhang and Xiatian Zhu and Chuan Sheng Foo and Kui Jia},
journal= {arXiv preprint arXiv:2205.01006},
year = {2022}
}