从稀疏的语义到丰富的实例:通过几何先验实现标签高效的LiDAR全光学细分
Weijian Zhang1, Haichuan Song1, Zhizhong Zhang1
1School of Computer Science and Technology, East China Normal University, Shanghai, 200062, China.
概括
本研究引入了LiDAR点云全视分段的新框架,通过使用最小的语义标签和没有实例标签,显著降低了注释成本. 该方法有效地生成和完善实例标签,优于传统方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 地理空间分析的研究.
背景情况:
- 立达点云全光学细分统一了检测和细分任务.
- 当前的方法需要广泛的语义和实例注释,增加成本和劳动力.
- 有效的注释策略对于推进LiDAR点云分析至关重要.
研究的目的:
- 为LiDAR点云全光学细分开发一个新的框架,最小的注释要求.
- 消除手动实例标签的需要,减少注释负担.
- 为了提高LiDAR点云细分的效率和有效性.
主要方法:
- 一个积极的标签策略,用于注释一小部分的语义标签.
- 一个两阶段的管道 (实例生成和精制) 用于生成和精制实例标签.
- 一个以几何学为导向的对比原型学习模块,用于增强特征聚合和对象歧视.
主要成果:
- 拟议的框架在大型LiDAR数据集上实现了最先进的性能.
- 它在相同的注释预算下显著优于传统的弱监督方法.
- 该方法在多种多样的骨干和数据集中表现出有效性.
结论:
- 新的框架大大减少了对LiDAR点云全视分段的注释要求.
- 它为复杂的3D场景理解提供了具有成本效益和效率的解决方案.
- 这项工作为更容易访问和可扩展的LiDAR数据分析铺平了道路.


