通过保守传播场景级标签的弱监督点云分割
计算机视觉与模式识别
2025-06-23 v2 机器学习
摘要
我们提出了一种针对点云的弱监督语义分割方法，该方法仅从“整场景”标注中预测“逐点”标签。此处的关键挑战在于，密集的逐点语义预测目标与仅从场景级标签得出的训练损失之间存在差异。为了解决这个问题，除了使用场景标签监督所有点的典型弱监督设置外，我们还提出选择性地将场景级标签保守地传播到点上。具体而言，我们在整个数据集中通过无监督聚类对点云特征进行过分割，并形成基元。然后，我们通过二部匹配将场景级标签与基元相关联。接着，我们允许标签通过这种基元-标签关系传递，同时进一步鼓励特征在基元周围形成窄簇。重要的是，通过二部匹配，这种标签流动的额外途径仅将场景标签传播给最相关的点，从而减少了现有方法所采取的全局方法可能造成的负面影响。我们在ScanNet和S3DIS数据集上评估了我们的方法，以巨大优势超越了现有技术。
引用
@article{arxiv.2312.06799,
title = {Weakly Supervised Point Cloud Segmentation via Conservative Propagation of Scene-level Labels},
author = {Shaobo Xia and Jun Yue and Kacper Kania and Leyuan Fang and Andrea Tagliasacchi and Kwang Moo Yi and Weiwei Sun},
journal= {arXiv preprint arXiv:2312.06799},
year = {2025}
}
备注
The first two authors contributed equally; Project website: https://densify-your-labels.github.io/