基于组对比学习的弱监督三维点云语义分割方法.pdfVIP

第2期华东师范大学学报（自然科学版）No.2

2024年3月JournalofEastChinaNormalUniversity(NaturalScience)Mar.2024

文章编号5641(2024)02-0108-11

基于组对比学习的弱监督三维点云语义分割方法

郑智鸿，宋海川

（华东师范大学计算机科学与技术学院，上海200062)

摘要：三维点云语义分割方法，是三维视觉环境感知中的重要任务，被广泛应用于自动驾驶、增强现实、

机器人等领域.然而，大多数语义分割方法工作在全监督的模式下，为数据标注带来了极大的压力，为了解

决对于大规模点云标注数据的依赖问题，许多工作基于有标签数据训练生成伪标签进一步迭代训练模型，

但未考虑到错误伪标签累积所导致的确认偏差.针对该问题，本文提出了一种基于组对比学习的弱监督三

维点云语义分割方法，在从伪标签中选择的正例组与负例组之间构造对比学习，令伪标签之间相互竞争，

减少错误伪标签的梯度贡献，从而缓解确认偏差.实验结果表明，本文所提出的方法在S3DIS、ScanNet-

V2、Semantic3D等3个公开数据集上，相较于目前最优方法均取得了更优的精度，

关键词：弱监督学习；三维点云；语义分割；对比学习

中图分类号：TP183文献标志码：AD01:10.3969/j.issn.1000-5641.2024.02.012

Groupcontrastivelearningforweakly-supervised3Dpointcloudsemantic

segmentation

ZHENGZhihong,SONGHaichuan

(SchoolofComputerScienceandTechnology,EastChinaNormalUniversity,Shanghai200062,China)

Abstract:Three-dimensionalpointcloudsemanticsegmentationisanessentialtaskfor3Dvisualperception

andhasbeenwidelyusedinautonomousdriving,augmentedreality,androbotics.However,mostmethods

workunderafully-supervisedsetting,whichheavilyreliesonfullyannotateddatasets.Manyweakly-

supervisedmethodshaveutilizedthepseudo-labelingmethodtoretrainthemodelandreducethelabeling

timeconsumption.However,thepreviousmethodshavefailedtoaddresstheconformationbiasinducedby

falsepseudolabels.Inthisstudy,weproposedanovelweakly-supervised3Dpointcloudsemantic

segmentationmethodbasedongroupcontrastivelearning,constructingcontrastbetweenpositiveand

negativesamplegroupsselectedfrompseudolabels.Thepseudolabelswillcompetewitheachotherwithi