基于 ProtoGuard 的 PROPEL：面向增量 3D 点云分割的类感知原型增强与渐进标签
计算机视觉与模式识别
2025-04-15 v2
摘要
3D 点云语义分割技术已广泛应用。然而在实际场景中，环境不断演变，导致离线训练的分割模型可能对Previously encountered 的类别产生灾难性遗忘。类增量学习（Class-Incremental Learning, CIL）旨在解决灾难性遗忘问题。尽管点云数据常见，但我们注意到不同类别之间高度相似且边界不清晰。同时，这些数据在类别分布上存在不平衡。这导致类似类别误分类和长尾问题，这些问题在以往的 CIL 方法中尚未得到充分解决。我们因此提出 ProtoGuard 和 PROPEL（Progressive Refinement Of PsEudo-Labels）。在 base 类训练阶段，ProtoGuard 为每个类别维护几何和语义原型，这些原型通过注意力机制组合成原型特征。在 novel 类训练阶段，PROPEL 继承 base 特征提取器和分类器，基于密度分布和语义相似性指导伪标签传播与更新。大量实验表明，我们的方法在 S3DIS 和 ScanNet 数据集上均取得优异结果，在 S3DIS 上 5 步 CIL 场景下，3D 点云分割 mIoU 可提升最高 20.39%。
引用
@article{arxiv.2504.01648,
title = {ProtoGuard-guided PROPEL: Class-Aware Prototype Enhancement and Progressive Labeling for Incremental 3D Point Cloud Segmentation},
author = {Haosheng Li and Yuecong Xu and Junjie Chen and Kemi Ding},
journal= {arXiv preprint arXiv:2504.01648},
year = {2025}
}