Weakly Supervised Semantic Point Cloud Segmentation: Towards 10x Fewer Labels
本文介紹一篇cvpr2020裏面關於點雲弱監督分割的文章。
論文
目前還沒有開源代碼
1. 問題
點雲的弱監督分割
2. 思想
根據弱監督的特點，提出了incomplete supervision branch 和 inexact supervision branch。 同時，作者認爲任何一個點label的預測都應該是旋轉不變的，於是提出了 siamese branch。最後由於3D形狀和場景在空間和顏色上都是平滑的，本文又相應的增加smooth branch。
3. 算法
3.1 Incomplete Supervision Branch
論文中有個小推導，得到結論是監督和弱監督方法的梯度差是服從正態分佈的。
3.2 Inexact Supervision Branch
每個sample中至少有一個點是含有label的，每一個sample的label是對該sample內的label 點取max而得到。這樣就會導致不準確的label。
於是本文提出了以上的loss，其基本原理是對於那些沒有在sample中出現的part categories， 不應該有點被高概率的預測爲它們。
3.4 Siamese Self Supervision
作者認爲任何一個點label的預測都應該是旋轉不變的
其中
個人覺得這個模塊更像是數據增強，是一種對弱監督更有效的數據增強方法。
3.4 Spatial & Color Smoothness Constraint
空間和顏色上的平滑
通過圖神經網絡，建立local patch，希望patch內的預測結果更一致。
其中
最終的loss爲
4 實驗結果
實驗結果很驚豔，只需要10%的label就可以達到和有監督相比擬的效果。
總結
文章寫的很棒，可見作者功底。作者在文中還給出了標label的insight, 如果label的總數固定，多標sample的效果要優於少標sample但一個sample內的label點很多。這也是和我們的認知相符合的。真的是值得反覆閱讀的佳作。
與上一篇mutli-path文章相比，這篇文章不僅是先行者，還給出足夠的insight，效果也與有監督可比擬。
啓發：有些insight是我們直覺上認同的，但是如何將其歸納，推導，實驗證明就顯得更爲重要了，可能這個過程就是所謂的insight吧。