【点云语义分割】Weakly Supervised Semantic Point Cloud Segmentation: Towards 10× Fewer Labels（CVPR 2020）

论文链接
代码链接

Motivation

弱监督工作都是利用少的标记样本去做更好的预测结果，本文的弱监督包括不完全监督，即只有少量的点带有准确的label；不准确监督，即点云的每个sample都带有一个不准确的label，文章将这两种弱监督的方式互为补充。之后用Siamese Self-Supervision的技术去处理没有label的点云，此外，文章的写作和分析都很到位。

概念陈述

把点云标记为$B$个独立的shapes或者房间块，记做 { X b } b = 1 ⋯ B \left\{\mathbf{X}_{b}\right\}_{b=1 \cdots B} { Xb​}b=1⋯B​。每一个sample${\mathbf{X}}_b\in {\mathcal{R}}^{N\times F}$ 包括$N$个3d点和点的特征（如xyz，rgb）。每一个sample被进一步标记为 per-point segmentation label y b ∈ { 1 , ⋯ K } N \mathbf{y}_{b} \in\{1, \cdots K\}^{N} yb​∈{ 1,⋯K}N，比如飞机的机身、机翼、发动机。为了清晰起见，文章将其标记为 one-hot encoded label Y ^ ∈ { 0 , 1 } B × N × K \hat{\mathbf{Y}} \in\{0,1\}^{B \times N \times K} Y^∈{ 0,1}B×N×K。点云的编码网络标记为 $f(\mathbf{X};\Theta )$，嵌入后的点云特征为 ${\mathbf{Z}}_b\in {\mathcal{R}}^{N\times K}$

Method

网络总共分为四个branch

Incomplete Supervision Branch

文章假设，在点云的sample { X b } \left\{\mathbf{X}_{b}\right\} { Xb​} 中,只有少数的点有label。技术上，文章采用一个二分掩码 M ∈ { 0 , 1