基于半监督边界框挖掘的点云实例分割
计算机视觉与模式识别
2022-08-18 v2 人工智能
摘要
随着深度学习的出现，点云实例分割取得了巨大进展。然而，这些方法通常需要大量数据，且密集点云标注昂贵且耗时。为缓解标注成本，未标注或弱标注数据在该任务中仍较少被探索。本文引入了首个使用有标注与无标注边界框作为监督的半监督点云实例分割框架（SPIB）。具体而言，我们的 SPIB 架构包含两阶段学习过程。第一阶段，在半监督设置下通过扰动一致性正则化（SPCR）训练边界框提议生成网络。该正则化通过对输入点云施加不同扰动并强制边界框预测不变，为网络学习提供自监督。第二阶段，带 SPCR 的边界框提议被分组为若干子集，并通过新颖的语义传播模块与属性一致性图模块在每子集内挖掘实例掩码。此外，我们引入了一种基于占用率引导的细化模块来优化实例掩码。在具有挑战性的 ScanNet v2 数据集上的大量实验表明，我们的方法相比近期全监督方法可达到有竞争力的性能。
引用
@article{arxiv.2111.15210,
title = {Point Cloud Instance Segmentation with Semi-supervised Bounding-Box Mining},
author = {Yongbin Liao and Hongyuan Zhu and Yanggang Zhang and Chuangguan Ye and Tao Chen and Jiayuan Fan},
journal= {arXiv preprint arXiv:2111.15210},
year = {2022}
}
备注
IEEE Trans on Pattern Analysis and Machine Intelligence