无需实例级标注的弱监督三维实例分割
计算机视觉与模式识别
2023-08-04 v1
摘要
随着深度学习的出现，三维语义场景理解任务已取得巨大成功，但往往需要海量人工标注的训练数据。为降低标注成本，我们提出首个弱监督三维实例分割方法，仅需类别语义标签作为监督，且不需要实例级标签。所需的语义标注可以是稠密的或极稀疏的（例如总点数的 0.02%）。即便没有任何实例相关的真值，我们设计了一种方法将点云打散为原始片段，并寻找最可信的样本以学习实例质心。此外，我们利用伪实例构建了一个重组数据集，用于学习我们定义的多层级形状感知物体性信号。随后采用非对称物体推断算法，以不同策略处理核心点与边界点，并生成高质量伪实例标签以引导迭代训练。实验表明，我们的方法可达到与近期全监督方法相当的结果。通过从类别语义标签生成伪实例标签，我们所设计的方法也能以更低的标注成本辅助现有方法学习三维实例分割。
引用
@article{arxiv.2308.01721,
title = {Weakly Supervised 3D Instance Segmentation without Instance-level Annotations},
author = {Shichao Dong and Guosheng Lin},
journal= {arXiv preprint arXiv:2308.01721},
year = {2023}
}