一种用于机器人大规模 LiDAR 场景解析的高效框架

Dec, 2023

一种用于机器人大规模 LiDAR 场景解析的高效框架

A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing

Kangcheng Liu

TL;DR本文介绍了一种在有限标签情况下解决点云理解问题的通用简单框架，通过无监督区域扩展的聚类方法生成聚类，并结合地理特征相似性和语义特征相似性在弱标签监督下学习合并过度细分的聚类，以及自监督重建和数据增强优化模块引导标签在场景中语义相似点之间的传播。实验证明，该框架在大规模 3D 语义场景解析的数据效率设置下，在语义分割、实例分割和目标检测等三个重要弱监督点云理解任务中表现最佳，所开发技术还具有对机器人操作和自主导航中的下游任务提供更好表示的潜力。代码和模型可在链接处公开获取。

Abstract

Existing state-of-the-art 3d point clouds understanding methods only perform well in a fully supervised manner. To the best of our knowledge, there exists no unified framework which simultaneously solves the downstream high-level understanding tasks, especially when labels are extremel

3d point clouds understanding supervised learning unsupervised region expansion weak labels semantic scene parsing

发现论文，激发创造

基于传统 / 学习式三维描述符的高效数据三维场景解析的综述与鲁棒性框架

在标签有限的情况下，本文提出了一种通用而简单的框架来解决点云理解问题，利用传统和学习到的 3D 描述符进行方法比较，并提出了基于亲和性的学习区域合并策略，该方法在各种实验设置下优于现有方法，无需复杂的学习策略。

Dec, 2023

大规模点云的弱监督语义分割

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

基于多路径区域挖掘的弱监督 3D 空间点云语义分割

本研究提出了一种利用弱标签预测三维点云中点级结果的方法，使用分类网络训练生成伪点级标签，再使用点级伪标签以全监督方式训练点云分割网络，实验结果在 ScanNet 数据集上证明了该方法的有效性。

Mar, 2020

通过层次特征对齐预训练和区域感知微调的通用标签高效三维场景解析

通过使用预先训练的视觉 - 语言模型和无监督的区域级语义对比学习方案，本研究提出了一种通用且简单的框架，用于处理有限标记情况下的 3D 场景理解，从而在数据效率学习和开放世界少样本学习方面展现了有效性。

Dec, 2023

一种新的弱监督方法用于 ALS 点云语义分割

本文提出了一种基于深度学习的弱监督 ALS 点云语义分割框架，在不完整和稀疏标记的未标记数据中利用潜在信息。通过熵正则化、一致性约束和在线软伪标记策略等，显著提高了分类性能，且效率高于当前弱监督方法。ISPRS 3D Labeling Vaihingen 数据集上，该方法只使用 0.1％的标记，达到了 83.0％的总体精度和 70.0％的平均 F1 分数，相较于只使用稀疏标记信息的模型，其提高了 6.9％和 12.8％。

Oct, 2021

基于弱监督的语义点云分割：朝着少 10 倍标签的方向发展

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

一个统一的基于点的 3D 分割框架

针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

Aug, 2019

基于伪标签辅助学习的弱监督 ALS 点云语义分割

本文提出的伪标签辅助点云分割方法，可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果，并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明，本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。

May, 2021

基于点云的弱监督三维物体检测

本文提出 VS3D，一个从点云中弱监督学习的 3D 目标检测框架，其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略，在 KITTI 数据集上取得了优异的性能。

Jul, 2020

基于 Lidar 点云的弱监督三维物体检测

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