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 B 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 X b ∈ R N × F \mathbf{X}_{b} \in \mathcal{R}^{N \times F} Xb∈RN×F 包括 N N 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 ( X ; Θ ) f(\mathbf{X} ; \Theta) f(X;Θ),嵌入后的点云特征为 Z b ∈ R N × K \mathbf{Z}_{b} \in \mathcal{R}^{N \times K} Zb∈RN×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