基于边界特征聚合的弱监督点云场景语义分割

弱监督点云语义分割任务受到广泛关注，并广泛应用于自动驾驶、机器人和现代工业。由于点云数据的高维性和大规模，许多技术难点影响弱监督语义处理，特别是分割。然而，弱监督方案通常只提供底层点云数据的部分标记信息，因此需要有效地提取局部特征、几何信息和上下文关系，仅使用这些有限的标记数据进行监督学习。为了改进弱监督语义分割，我们提出了一种新的分割网络，通过基于边界的特征聚合，结合K-NN算法和下采样操作，并引入平滑损失和孪生损失以实现有效分割。在公共数据集上的实验表明，我们提出的分割方法在mIoU方面超过了大多数现有的完全监督和弱监督方法。具体而言，我们的网络在具有相似几何结构的物体标签的分割准确性方面表现良好，如天花板、墙壁、地板、椅子和桌子，分别达到91.2%、98.8%、83.3%、75.3%和80.2%。大量实验还说明了所提出的弱监督分割网络的稳健性、有效性和泛化能力。