Learning with Noisy Labels for Robust Point Cloud Segmentation

Learning with Noisy Labels for Robust Point Cloud Segmentation

自己理解，仅供参考

Contributions:

本文是第一篇针对点云噪音标签问题提出解决方案的文章，本文提出了一种新颖的噪音点自适应学习框架，用于解决点云分割中存在噪音标签数据的问题。针对错误的groundtruth数据，文中首先提出了基于以前的预测结果（分割结果）的逐点置信选择（即判断该店的标签是否正确），然后提取聚类的标签纠正方法，通过投票选择最佳点的标签作为纠正后的标签。

Pipe Overview

整体流程主要分为两个阶段：

1，Warm-up stage.

该阶段可以用DGCNN，或者PointNet等分割网络训练，主要目的是学习那些groundtruth中没有错误的标签数据。因为“在深度学习网络中，更容易学习干净，简单的数据”，因此，本文网络中先迭代E_{warm-up},用于学习简单，标记正确的数据。

2,Noise-cleaning stage

该阶段主要包括两个阶段逐点标签可信度判断和逐类纠正。

逐点可信度判断算法主要是根据网络前几次的预测结果，如图中，Point 1 前几次的预测标签为0，1，2，3，每次的预测结果都不一样则该预测结果是不可靠的，因此该点标记为-1；Point 2的前几次预测结果为0，0 ，0 ，0，每一次预测的结果是相同的，预测结果准确，该点标记为预测的结果0。因此，通过该步骤就可以知道每一点的标记结果，用于第二阶段来判断是否需要纠正。

逐类纠正：

为什么要用聚类的方法而不是逐点的纠正？

点云标记可能导致其中一部分错误，但是总体上应该是正确的；例如，可能把一个房间中部分的桌子标记成沙发，但是不会全部标记错误。因此，文中提出了基于聚类（DBSCAN）的方法，将相同的实例聚一类（同时通过实验也证明对聚类的方法选择不敏感），将同类标签中错误的标签进行纠正。

该步骤的Noisy label纠正方法是基于投票选择的，即通过上一步对每个点的标签是否为可信赖判断，获得每点的标记是否存在错误，然后再通过投票的方式，选择这个类中标记结果相同点最多的作为该类的纠正后的标签。