【点云识别】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels(CVPR 2020)

Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels

本文介绍一篇cvpr2020里面关于点云弱监督分割的文章。
论文
目前还没有开源代码

1. 问题

点云的弱监督分割

2. 思想

根据弱监督的特点，提出了incomplete supervision branch 和 inexact supervision branch。 同时，作者认为任何一个点label的预测都应该是旋转不变的，于是提出了 siamese branch。最后由于3D形状和场景在空间和颜色上都是平滑的，本文又相应的增加smooth branch。

3. 算法

3.1 Incomplete Supervision Branch

论文中有个小推导，得到结论是监督和弱监督方法的梯度差是服从正态分布的。

3.2 Inexact Supervision Branch

每个sample中至少有一个点是含有label的，每一个sample的label是对该sample内的label 点取max而得到。这样就会导致不准确的label。

于是本文提出了以上的loss，其基本原理是对于那些没有在sample中出现的part categories， 不应该有点被高概率的预测为它们。

3.4 Siamese Self Supervision

作者认为任何一个点label的预测都应该是旋转不变的

其中
个人觉得这个模块更像是数据增强，是一种对弱监督更有效的数据增强方法。

3.4 Spatial & Color Smoothness Constraint

空间和颜色上的平滑
通过图神经网络，建立local patch，希望patch内的预测结果更一致。

其中

最终的loss为

4 实验结果

实验结果很惊艳，只需要10%的label就可以达到和有监督相比拟的效果。

总结

文章写的很棒，可见作者功底。作者在文中还给出了标label的insight, 如果label的总数固定，多标sample的效果要优于少标sample但一个sample内的label点很多。这也是和我们的认知相符合的。真的是值得反复阅读的佳作。
与上一篇mutli-path文章相比，这篇文章不仅是先行者，还给出足够的insight，效果也与有监督可比拟。
启发：有些insight是我们直觉上认同的，但是如何将其归纳，推导，实验证明就显得更为重要了，可能这个过程就是所谓的insight吧。