WSPointNet: A multi-branch weakly supervised learning network for semantic segmentation of large-scale mobile laser scanning point clouds
Notice bibliographique
Résumé
Semantic segmentation of large-scale mobile laser scanning (MLS) point clouds is essential for urban scene understanding. However, most of the existing semantic segmentation methods require a large quantity of labeled data, which are labor-intensive and time-consuming. To this end, we propose a multi-branch weakly supervised learning network (WSPointNet) to solve this challenge. Our method includes a basic weakly supervised framework and a multi-branch weakly supervised module. With input point clouds and few labels, the basic weakly supervised framework outputs the prediction values of the input point clouds and the underlying supervised signals of the whole network. Next, the multi-branch weakly supervised module explores the potential information of the unlabeled and labeled points while preventing model over-fitting. Concretely, the module includes an ensemble prediction constraint branch, a contrast-guided entropy regularization branch, and an adaptive pseudo-label learning branch. The ensemble prediction constraint branch aims to enhance the prediction stability of the point cloud. The contrast-guided entropy regularization branch is proposed to prevent model over-fitting by comparing the ensemble prediction labels with the current prediction labels. The adaptive pseudo-label learning branch provides efficient and adaptive supervised signals for model training by the consistency cost and ensemble prediction. Extensive experiments conducted on two MLS benchmarks showed that our WSPointNet achieved a promising semantic segmentation performance with sparse annotated points. For the public Toronto3D dataset, with only 0.1% labeled points, our WSPointNet obtained an overall accuracy of 96.76% and a mIoU of 78.96%, which outperformed most of comparative fully supervised methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».