混合尺度监督用于高效标签的基于 LiDAR 的三维物体检测
内容提要
本文综述弱监督与半监督点云分割及3D检测研究，涵盖LaserMix（利用LiDAR空间线索的半监督分割）、CoSMix（无监督域自适应）、SupFusion（特征级监督提升LiDAR-Camera融合检测）、VS3D（跨模态蒸馏弱监督3D检测），以及基于点云着色、稀疏标签传播、聚类合并等方法，在KITTI等数据集上接近全监督性能。
延伸解读
弱监督与半监督的路径差异
文章综述了多种弱监督与半监督点云分割及3D检测方法。LaserMix利用LiDAR空间线索进行半监督分割，CoSMix则针对无监督域自适应。两者都旨在减少标注依赖，但LaserMix侧重利用未标记数据的内在结构，CoSMix关注跨域泛化。读者可据此区分不同方法的问题设定：半监督假设少量标注，无监督域自适应则需应对域偏移。
特征级监督与跨模态蒸馏的实践价值
SupFusion通过辅助特征级监督提升LiDAR-Camera融合检测，且不增加推断成本；VS3D则利用跨模态知识蒸馏实现弱监督3D检测。两者都试图在标注有限时提升性能。SupFusion的即插即用特性使其易于集成到现有检测器，而VS3D在KITTI上表现优异。这些方法表明，利用多模态信息或特征监督是弥补标签不足的有效途径。
弱监督分割中的标签传播与聚类合并
文章提到基于点云着色、稀疏标签传播和聚类合并的弱监督分割方法。这些方法通常先生成伪标签，再通过空间或语义相似性传播标签。例如，利用超分割生成分割级标签，再转化为点级伪标签；或通过聚类合并过度细分的区域。这些策略在室内外大规模点云上接近全监督性能，但伪标签质量可能影响最终效果，需关注其鲁棒性。
性能接近全监督但仍有局限
多项研究在KITTI等数据集上接近全监督性能，如VS3D和基于少量点标注的方法。然而，这些方法通常依赖特定数据集或假设，例如弱监督检测需要少量弱标记场景和精确实例。实际部署时，需考虑域偏移、标签噪声和计算成本。文章未提及具体推理速度或内存占用，读者应结合自身场景评估适用性。
Q&A
LaserMix 是如何利用 LiDAR 点云进行半监督分割的？
LaserMix 利用 LiDAR 点云的强空间线索来更好地利用未标记数据，实现 LiDAR 半监督分割，并在三个数据集上验证了其竞争性和有效性。
CoSMix 在点云无监督域自适应中有什么特点？
CoSMix 是第一个基于样本混合的点云分割 UDA 方法，使用标记的合成数据和真实世界无标签点云，在两个大规模数据集上表现优于现有技术。
SupFusion 如何提升 LiDAR-Camera 融合检测性能？
SupFusion 通过 Polar Sampling 数据增强和辅助模型生成高质量特征，为 LiDAR-Camera 融合提供特征级监督，并引入深度融合模块，在 KITTI 上获得约 2% 的 3D mAP 改进，且不增加推断成本。
VS3D 框架在弱监督 3D 目标检测中采用了哪些技术？
VS3D 引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略，在 KITTI 数据集上取得了优异的性能。
基于点云着色的弱监督语义分割方法是如何工作的？
该方法采用点云着色作为预处理任务，通过生成类原型的方式生成伪标签，并提出稀疏标签传播机制，在室内外大规模点云数据集上取得更好的弱监督结果和与完全监督可比的结果。
在有限标签下，如何通过聚类合并实现点云理解？
通过无监督区域扩展的聚类方法生成聚类，结合地理特征相似性和语义特征相似性在弱标签监督下学习合并过度细分的聚类，并利用自监督重建和数据增强优化模块引导标签传播，在语义分割、实例分割和目标检测任务中表现最佳。
