Weakly Supervised Large-Scale Point Cloud Semantic Segmentation Based on Dual Consistency Constraints and Uncertainty-Aware Fusion
Notice bibliographique
Résumé
Weakly supervised point cloud semantic segmentation has attracted more and more attention due to its capability to circumvent the time-consuming and expensive full labeling annotation process, which is required by fully supervised learning. However, existing weakly supervised methods typically rely solely on the sparsely labeled points for network training and cannot fully exploit the vast amount of unlabeled data. Moreover, recent weakly supervised segmentation methods are not efficient in enhancing network generalization and extracting discriminative features. To resolve these issues, we propose a novel framework (DCUF-Net) for weakly supervised point cloud semantic segmentation based on dual consistency constraints and uncertainty-aware fusion. Specifically, we first design dual perturbations in the data and feature domains to improve the network generalization and employ prediction consistency constraints between the two perturbed branches and the original branch. Additionally, we propose to jointly represent the prediction reliability of unlabeled points according to distribution confidence and uncertainty, which enables us to introduce an uncertainty-aware loss for all unlabeled points, providing additional supervised signals to optimize the network. To further extract more discriminative features, we propose an efficient regional context adaptive aggregation (RCAA) module to enhance information interaction between points. Extensive experiments on three large-scale datasets, including S3DIS, Toronto3D, and STPLS3D, demonstrate the superior performance of our method against some state-of-the-art 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».