多原型关系网络用于从摄影测量点云中转移知识进行少样本ALS点云语义分割
现有的空中激光扫描(ALS)点云语义分割方法受到对足够点级标注的过度依赖,这限制了它们对新场景的泛化能力。为了克服这些问题,提出了一种新颖的三阶段多原型关系网络(Thr-MPRNet),用于通过从精心标注的摄影测量点云中转移知识进行少样本ALS点云语义分割。在MPRNet中,建立了一个包含特征学习器和关系学习器的3D少样本学习结构,从多个点级任务中学习元知识,并设计了一个多原型生成器,用于表示点云的语义分布,可以动态适应大规模场景。然后,为了在不同领域之间传递知识,MPRNet在一个统一的框架中通过三个基于任务的学习阶段进行训练。先从源摄影测量点云中元学习先验知识,然后将其传递给带有少量标注ALS点云的新目标数据集。最终,MPRNet可以灵活地推广到未标记的目标ALS点云,而无需从头重新训练。在实验中,使用SensatUrban数据集作为源摄影测量点云,并使用两个ALS点云数据集(ISPRS和DALES)评估了所提方法的少样本语义分割能力。实验证明Thr-MPRNet在不同目标数据集上获得了有希望的泛化性能。更重要的是,它在有10%标记样本的情况下优于监督网络。总的来说,所提出的方法实现了最先进的跨域语义分割性能,并极大地减轻了对ALS点云标注的依赖。
图1. 所提方法的工作流程概述。
图2. 三个元学习阶段的任务生成器。
图3. 多原型关系网络(MPRNet)的结构。