基于多原型学习的弱监督 3D 点云分割
计算机视觉与模式识别
2022-05-09 v1
摘要
应对 3D 点云分割中的标注难题催生了弱监督学习的研究。现有方法主要聚焦于利用流形与伪标注来使用大量无标注数据点。此处的一个基本挑战在于局部几何结构类内差异大，导致一个语义类内出现子类。在本工作中，我们利用这一直觉，选择为每个子类维护一个独立分类器。技术上，我们设计了一个多原型分类器，每个原型作为某一子类的分类器权重。为实现多原型分类器权重的有效更新，我们提出两项约束，分别用于针对所有点特征更新原型，以及鼓励多样化原型的学习。在弱监督 3D 点云分割任务上的实验验证了所提方法的有效性，尤其在低标注情形下。我们的假设亦得到验证：以不增加额外标注的代价一致发现了语义子类。
引用
@article{arxiv.2205.03137,
title = {Weakly Supervised 3D Point Cloud Segmentation via Multi-Prototype Learning},
author = {Yongyi Su and Xun Xu and Kui Jia},
journal= {arXiv preprint arXiv:2205.03137},
year = {2022}
}