SQN：大规模三维点云的弱监督语义分割
计算机视觉与模式识别
2023-04-28 v3 人工智能
机器人学
摘要
对点云进行全量标注极为耗时且昂贵。随着包含数十亿点的大型点云数据集日益普遍，我们质疑全量标注是否必要，并证明在完全标注假设下设计的现有基线方法即便面对 1% 随机点标注，性能也仅轻微下降。然而，在此之后（例如 0.1% 标注时），分割精度低得不可接受。我们观察到，由于点云是三维世界的采样，局部邻域内点的分布相对均匀，表现出强烈的语义相似性。受此启发，我们提出一种新的弱监督方法，以隐式增强高度稀疏的监督信号。大量实验表明，所提出的语义查询网络（SQN）在弱监督方案下于七个大规模开放数据集上取得了有前景的性能，且训练仅需 0.1% 随机标注点，大幅降低了标注成本与工作量。代码见 https://github.com/QingyongHu/SQN。
引用
@article{arxiv.2104.04891,
title = {SQN: Weakly-Supervised Semantic Segmentation of Large-Scale 3D Point Clouds},
author = {Qingyong Hu and Bo Yang and Guangchi Fang and Yulan Guo and Ales Leonardis and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:2104.04891},
year = {2023}
}
备注
ECCV2022