S4-Net:几何一致的半监督语义分割
计算机视觉与模式识别
2019-01-10 v2
摘要
我们表明,通过在不同视角间施加几何 3D 约束,可从极少量人工标注中学习语义分割。更确切地说,对应于同一物理 3D 点的图像位置应全都具有相同标签。我们表明,在学习过程中引入此类约束非常有效,即便某 3D 点无可用人工标签,且可简单地通过将“通用”半监督学习技术应用于语义分割语境来实现。为演示此思想,我们使用刚性场景的 RGB-D 图像序列,处理源自 ScanNet 数据集的 4 类分割问题。从带少量标注帧的 RGB-D 序列出发,我们表明可纳入无任何人工标注的 RGB-D 序列以提升性能,这使我们的方法十分便捷。此外,我们在 LabelFusion 数据集上演示了物体语义分割方法,表明场景中一张人工标注图像即足以在整个场景上获得高性能。
引用
@article{arxiv.1812.10717,
title = {S4-Net: Geometry-Consistent Semi-Supervised Semantic Segmentation},
author = {Sinisa Stekovic and Friedrich Fraundorfer and Vincent Lepetit},
journal= {arXiv preprint arXiv:1812.10717},
year = {2019}
}
备注
8 pages, 5 figures