结合伪标签生成与噪声标签学习的弱监督点云分割

摘要：

针对当前基于深度学习的点云分割技术对点级别标注训练数据的依赖问题,提出一种基于伪标签生成与噪声标签学习的弱监督点云分割框架.首先,利用点云具有非局部相似性的特点,基于局部-非局部图对点云数据进行建模;其次,基于关系图卷积网络,以半监督的方式为稀疏标注的点云训练集数据生成高质量的伪标签;最后,针对生成的伪标签中存在噪声标签的问题,设计一种利用含噪声标签数据准确训练现有点云分割网络的渐进式噪声鲁棒损失函数.在ShapeNet Part与S3DIS等公开点云分割数据集上的实验结果表明,该框架在推理阶段不增加模型额外运算量的情况下,当使用10％的标签时,在ShapeNet Part数据集上的分割精度与全监督方法相差0.1％;当使用1％的标签时,在S3DIS数据集上的分割精度与全监督方法相差5.2％.

关键词：点云分割、弱监督学习、噪声标签学习、图卷积网络

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家重点研发计划;中央高校基本科研业务费

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：273-283