研究提出了一种将人类标注者引入模型微调系统中，以提供即时反馈的框架，实现了交互式查询模型预测结果、选择哪些数据标记并查看其对模型预测结果的影响等功能，该框架在各个领域都有应用潜力。

Jun, 2019

该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

近期研究表明，利用先进模型如 DENOv2 特征和 K-Nearest Neighbors（KNN）技术，在极度标注稀缺的图像数据中进行点标注传播来生成多物种珊瑚增强基准真值掩膜，能够显著提高像素准确率和 mIoU 指标，在仅提供 5 个或 10 个点标签的情况下，引入人类参与标注的策略可以进一步改善标注效率，并给出了最大化点标签效能的普遍建议。

Apr, 2024

为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。

Jun, 2020

本文提出了一种基于自我监督学习的弱监督方法解决大规模点云语义分割的问题，采用点云着色作为预处理任务，通过生成类原型的方式生成伪标签，并提出了一种稀疏标签传播机制，该方法在室内外不同情景的大规模点云数据集上得到了更好的弱监督结果和与完全监督方法可比的结果。

Dec, 2022

本论文提出了一种弱监督点云分割方法，可以在训练阶段仅标记极少量点，通过学习梯度近似和利用额外的空间和颜色平滑约束来实现，性能接近或甚至优于全监督的方法，具有很高的实用性。

Apr, 2020

提出了一种无监督学习的方法 GC-KPL 来学习 3D 人体关键点定位，并且在未标注的数据集上取得了相对合理的性能，同时 GC-KPL 在少样本学习以及利用大量未标注数据方面得到了有效应用。

Jun, 2023

使用极其稀疏的标注数据，我们设计了一种自学习方法，其中迭代地进行训练和标注传播，利用了关系网络来生成类别原型并显式地建模了图形节点之间的相似性，通过大量的实验证明，我们的方法在点云语义分割任务中表现优于现有所有弱监督方法，并且结果也可以与完全监督的对比实验相媲美。

Apr, 2021

这项研究聚焦于半监督学习方法在点云数据中的评估，以应对自动驾驶、机器人技术和增强现实等领域对 3D 物体检测的不断增长需求。结果表明，单纯的超参数调整与监督模型的结合能够在 ONCE 数据集上达到最先进的性能，而未标注数据对模型改进的贡献似乎相对较少。

Nov, 2023

本文提出一种基于弱监督学习的 3D 物体检测方法，只需要少量弱标记场景和少量精确标记的物体实例来训练，而且使用该方法训练的模型可以作为 3D 物体注释器使用，并显示出提高性能的潜力。

Jul, 2020