面向含噪标注的鲁棒点云分割
计算机视觉与模式识别
2022-12-07 v1 机器学习
摘要
点云分割是三维中的基础任务。尽管深度网络推动了点云分割的近期进展，当前基于干净标签假设的学习方法可能在含噪标签下失效。然而，在真实数据集中，类别标签常在实例级与边界级被错误标注。本工作中，我们率先通过提出点噪声自适应学习 (PNAL) 框架来解决实例级标签噪声。相较于图像任务上的噪声鲁棒方法，我们的框架对噪声率盲化，以应对点云特有的空间变化噪声率。具体而言，我们提出逐点置信度选择，从每点的历史预测中获取可靠标签。提出一种带投票策略的簇级标签修正，通过考虑邻域相关性生成最佳可能标签。为处理边界级标签噪声，我们还提出变体“PNAL-boundary”，采用渐进式边界标签清洗策略。大量实验证明了其在合成与真实世界噪声数据集上的有效性。即便在 60% 对称噪声与高水平边界噪声下，我们的框架仍显著优于基线，并与在完全干净数据上训练的上界相当。此外，我们清洗了流行的真实数据集 ScanNetV2 以进行严谨实验。代码与数据见 https://github.com/pleaseconnectwifi/PNAL。
引用
@article{arxiv.2212.03242,
title = {Robust Point Cloud Segmentation with Noisy Annotations},
author = {Shuquan Ye and Dongdong Chen and Songfang Han and Jing Liao},
journal= {arXiv preprint arXiv:2212.03242},
year = {2022}
}
备注
To Appear at TPAMI 2022. arXiv admin note: substantial text overlap with arXiv:2107.14230