Dec, 2023

增加标签密度：使用二部图匹配进行无监督聚类的弱监督点云分割

PDF
TL;DR我们提出了一种弱监督的语义分割方法，能够通过整体场景标注来预测点云的点级标签，同时达到与最近的全监督方法相当的性能。我们的核心思想是通过保守的方式将场景级标签传递给点云中的每个点，即通过无监督聚类进行过分割，通过二分匹配将场景级标签与簇关联，从而仅将场景标签传递给与之最相关的簇，其余部分则完全由无监督聚类引导。我们通过实验证明过分割和二分分配起着至关重要的作用。我们在 ScanNet 和 S3DIS 数据集上评估了我们的方法，在性能上优于现有技术，并证明我们可以达到与全监督方法相当的结果。
weakly supervised semantic segmentationpoint cloudspseudo labelsunsupervised clusteringbipartite matching
发现论文，激发创造
  • 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

  • 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

  • 无实例级注释的弱监督三维实例分割

    通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

    Aug, 2023

  • 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

  • 半监督点云语义分割的引导点对比学习

    本文介绍了一种半监督点云语义分割方法，使用伪标签指导其损失函数，并提出了一种基于对比损失的方法来增强特征表示和模型的泛化能力。实验证明，该方法在三个数据集上都可以有效地提高预测质量。

    Oct, 2021

  • 多模态亲和推断弱监督 3D 语义分割

    本文提出了一种简单而有效的基于场景级弱监督的点云分割方法，引入了多模态点亲和度推理模块，利用从多个模态（如点云和 RGB）得到的特征来特征化提出的点亲和度，并通过归一化分类器权重来减轻长尾分布的不利影响，无需事先知道类别分布的先验信息。通过在 ScanNet 和 S3DIS 基准测试上进行的大量实验证实了我们提出方法的有效性，其 mIoU 指标优于现有技术水平 4% 至 6%。

    Dec, 2023

  • SegGroup: 3D 实例和语义分割的分割级别监督

    利用物体实例的位置信息，设计一种弱监督点云语义分割算法。通过对超分割后的物体实例进行点击，生成分割级别的标签，并通过分割分组网络将分割级别标签转化为点级别伪标签，从而实现基于分割级别标签的语义分割训练。

    Dec, 2020

  • FreePoint: 无监督点云实例分割

    本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。

    May, 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