DAAL-WS: A weakly-supervised method integrated with data augmentation and active learning strategies for MLS point cloud semantic segmentation
Notice bibliographique
Résumé
• An EC-Mix3D data augmentation strategy is designed to augment the training data. • A PLEP active learning strategy is presented to effectively reduce label redundancy. • The proposed DAAL-WS model achieves competitive accuracy using only sparse labels. Mobile laser scanning (MLS) point clouds have increasingly been a significant data source for acquiring accurate three-dimensional (3D) semantic information from complex scenes. However, most current point cloud semantic segmentation methods heavily depend on a huge number of manually labeled training samples, which is labor-intensive and time-consuming. To address the above challenge, a weakly-supervised MLS point cloud semantic segmentation method integrated with data augmentation and active learning strategies is proposed (termed DAAL-WS). By taking advantage of our previously presented multi-branch weakly-supervised network (WSPointNet) in weakly supervisory signals and ensemble predictions, the DAAL-WS integrates WSPointNet with two essential components, i.e., an elevation-calibrated Mix3D (EC-Mix3D) data augmentation strategy and a point-level ensemble prediction-based (PLEP) active learning strategy. Specifically, the EC-Mix3D data augmentation strategy leverages elevation information to calibrate sub-point clouds and generates new contextual scenes by mixing the elevation-calibrated sub-point clouds, thereby augmenting the training point cloud distribution. Designed to reduce labeling redundancy, the PLEP active learning strategy selects the most important labeled points for model training. This strategy first measures the uncertainty for each unlabeled point by ensemble predictions and then employs a feature-distance suppression module to select the significant and discriminating unlabeled points for manual labeling. The proposed DAAL-WS method was evaluated on three public MLS datasets, including Toronto3D, Paris-Lille-3D, and WHU-MLS datasets, on which DAAL-WS obtained a competitive performance over fully-supervised baselines using only 0.015 %, 0.03 %, and 0.03 % labeled points, with mean Intersection over Union (mIoU) scores of 81.91 %, 82.59 %, and 60.36 %, respectively.
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 | 0,000 | 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 | 0,002 |
| 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 ».