SSPC-Net：半监督语义三维点云分割网络
计算机视觉与模式识别
2021-05-25 v3
摘要
点云语义分割是三维场景理解中的关键任务。现有方法主要侧重于利用大量标注标签进行有监督语义分割。然而，为有监督分割任务手动标注如此大规模的点云耗时费力。为减少标注标签数量，我们提出一种半监督语义点云分割网络，名为SSPC-Net，通过从少量标注三维点推断未标注点的标签来训练语义分割网络。在我们的方法中，我们首先将整个点云划分为超点并构建超点图以挖掘点云中的长程依赖。基于所构建的超点图，我们随后开发一种动态标签传播方法为无监督超点生成伪标签。特别地，我们采用超点丢弃策略动态选择生成的伪标签。为充分利用无监督超点生成的伪标签，我们进一步提出一种用于超点特征嵌入的耦合注意力机制。最后，我们利用交叉熵损失，以有监督超点的标签和无监督超点的伪标签训练语义分割网络。在多个数据集上的实验表明，我们的半监督分割方法能以更少的标注三维点取得优于当前半监督分割方法的性能。我们的代码可在 https://github.com/MMCheng/SSPC-Net 获取。
引用
@article{arxiv.2104.07861,
title = {SSPC-Net: Semi-supervised Semantic 3D Point Cloud Segmentation Network},
author = {Mingmei Cheng and Le Hui and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2104.07861},
year = {2021}
}
备注
Accepted by AAAI 2021; Project page: \<https://github.com/MMCheng/SSPC-Net>