基于证据的不确定性分解方法在弱监督点云语义分割中的应用 王青燕、 王一欣、 张俊平、 王玉静、 康守强

《ISPRS International Journal of Geo-Information》：Evidentially Driven Uncertainty Decomposition for Weakly Supervised Point Cloud Semantic Segmentation Qingyan Wang, Yixin Wang, Junping Zhang, Yujing Wang and Shouqiang Kang

　　

摘要

点云语义分割是室内场景理解和自动驾驶中的核心组成部分。在弱点级监督下，只有少量点被标注，因此有效利用未标注的点至关重要但同时也颇具挑战性。许多现有方法依赖于预测置信度来过滤伪标签或确保一致性，但这可能会导致训练偏向于较容易处理的点，并放大早期错误。结果，错误的预测可能会被强化，而位于类别边界附近或几何结构复杂的区域中的不确定点则较少被利用，从而限制了进一步的改进。本文提出了一种用于弱监督点云语义分割的证据不确定性分解框架。网络输出被解释为证据分布，不确定性被分解为知识缺失的不确定性和与边界相关的模糊性，为未标注点提供了更具信息量的可靠性信号。基于这一信号，对不同子集应用不同的约束：可靠的点与伪标签一起进行训练，并结合基于原型的正则化来促进类内紧凑性；边界模糊的点通过证据一致性进行引导以改善边界学习；具有高认知不确定性的点则被排除在基于伪标签的监督之外，以减少错误的强化。此外，对稀疏标注点添加不确定性校准项有助于稳定训练过程。在S3DIS、ScanNet-V2和SemanticKITTI数据集上的实验表明，该方法在仅使用0.1%的标注点的情况下，分别取得了67.7%、59.7%和53.3%的mIoU分数，与之前的弱监督点云分割方法相比表现优异。