面向弱监督点云分割的可靠性自适应一致性正则化
计算机视觉与模式识别
2023-12-15 v2
摘要
利用极有限标签的弱监督点云分割，对于缓解采集密集标注3D点所带来的高昂成本极具价值。本文探索将弱监督学习中常用的一致性正则化应用于其点云对应任务，并结合多种数据特有增强，该方向尚缺乏充分研究。我们观察到，将一致性约束直接用于弱监督点云分割存在两个主要局限：传统基于置信度的筛选导致伪标签含噪，以及因丢弃不可靠伪标签而造成一致性约束不足。因此，我们提出一种新颖的可靠性自适应一致性网络（RAC-Net），利用预测置信度与模型不确定性共同度量伪标签可靠性，并对所有无标签点施加一致性训练，同时依据相应伪标签的可靠性对不同点施加不同的一致性约束。在S3DIS与ScanNet-v2基准数据集上的实验结果表明，我们的模型在弱监督点云分割中取得了优越性能。代码将于 https://github.com/wu-zhonghua/RAC-Net 公开。
引用
@article{arxiv.2303.05164,
title = {Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation},
author = {Zhonghua Wu and Yicheng Wu and Guosheng Lin and Jianfei Cai},
journal= {arXiv preprint arXiv:2303.05164},
year = {2023}
}