.png){kind=icon}
返回
Point Cloud Instance Segmentation with Inaccurate Bounding-Box Annotations
.png){kind=icon}
OA
AI
DOI：10.3390/s23042343.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的大多数点云实例分割方法都需要精确和密集的点级注释，收集起来极其费力。尽管已利用不完整和不精确的监管来减少标签工作，但不准确的监管仍未得到充分探索。这种监督在实践中几乎是不可避免的，尤其是在复杂的3D点云中，并且严重降低了深度网络的泛化性能。为此，我们提出了第一个具有不准确的盒级标签的弱监督点云实例分割框架。提出了一种新颖的自蒸馏体系结构，以提高泛化能力，同时利用廉价但嘈杂的边界框注释。具体来说，我们采用一致性正则化来从数据扰动和历史预测中提取自我知识，从而防止深度网络过度拟合噪声标签。此外，我们逐步选择可靠的样本并根据历史一致性校正其标签。在ScanNet-v2数据集上进行了大量实验，以验证我们的方法在处理不精确和不准确的注释方面的有效性和鲁棒性。
Keyword:
point cloud instance segmentation
learning with noisy labels
weakly supervised learning
self-distillation
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
查看更多内容