SELECT：面向主动 LiDAR 语义分割的子模函数方法
机器人学
2025-05-20 v1 图像与视频处理
摘要
基于LiDAR的语义分割在自动驾驶中发挥着关键作用，使我们能够对3D环境进行细致理解。然而，对LiDAR点云进行标注代价极高，需为数百万个点分配复杂几何结构的语义标签。主动学习（Active Learning，简称AL）作为一种降低标注成本的 promising 方法，已引起广泛关注。然而，现有AL方法在应用于大规模3D数据时面临关键挑战：户外场景包含大量点，且存在严重的类别不平衡问题，其中稀有类别的点数远少于占主导地位的类别。为此，本文提出了SELECT—a基于子模函数的面向主动LiDAR语义分割的方法。该方法通过三个协调阶段来解决规模问题和类别不平衡：第一，进行基于子模函数的点域子集选择，高效识别具有代表性的点域，确保可扩展性；第二，使用蒙特卡罗 dropout 估计点域级别的模型不确定性，将点级不确定性聚合以识别信息丰富的点域；第三，引入子模函数最大化用于点级类别平衡，筛选出提升标签多样性的子集，显著缓解类别不平衡。在SemanticPOSS、SemanticKITTI和nuScenes基准测试中，实验结果表明，SELECT 在3D语义分割的主动学习方法方面取得了优异的性能。
关键词
引用
@article{arxiv.2505.11516,
title = {SELECT: A Submodular Approach for Active LiDAR Semantic Segmentation},
author = {Ruiyu Mao and Sarthak Kumar Maharana and Xulong Tang and Yunhui Guo},
journal= {arXiv preprint arXiv:2505.11516},
year = {2025}
}