在户外4D点云上的弱监督细分与渐进的4D分组

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 3D数据分析 3D数据分析

背景情况:

• 弱监督的3D点云细分方法旨在减少注释工作.
• 之前的工作 (W4DTS) 用了0.001%的分点进行细分,但遭受了低质量的伪标签.
• 极其有限的注释对有效的伪标签生成构成了挑战.

研究的目的:

• 开发一种方法来生成高质量的伪标签,在3D点云细分中非常稀疏的注释.
• 在极端注释约束下,改进弱监督的细分模型的性能.
• 通过额外的学习策略来增强渐进的4D分组方法.

主要方法:

• 提出了一种渐进的4D分组方法,从稀疏的注释和未注释点汇总空间和时间信息.
• 引入了跨框架对比学习,以改进跨不同时间框架的特征表示.
• 实施了本地一致性学习,以在细分过程中执行邻里协议.

主要成果:

• 在仅使用0.001%注释的SemanticKITTI数据集上实现了显著的性能改进,超过了之前的最佳方法.
• 在SemanticPOSS和ScribbleKITTI数据集上展示了竞争性结果,接近完全监督模型的性能.
• 验证了渐进4D分组,跨框架对比学习和局部一致性学习的有效性.

结论:

• 提出的渐进4D分组方法有效地产生高质量的伪标签,即使是非常稀疏的注释.
• 这种方法在严重的注释预算限制下,显著提升了监督较弱的3D点云细分.
• 该框架为在现实应用中高效的3D数据注释和细分提供了一个有希望的方向.