TeFF:增强跟踪的无遗忘少样本3D LiDAR语义分割
原文中文,约500字,阅读约需2分钟。发表于: 。本研究针对自动驾驶中3D LiDAR语义分割的少样本学习问题,提出了一种新方法,利用LiDAR数据的时间连续性生成伪标签以增强数据集。这一方法通过引入LoRA技术,有效减少了模型训练参数,同时提升了对新类别的适应性,从而有效减轻了灾难性遗忘现象。该研究在增强3D LiDAR语义分割领域具有重要的推进意义。
该研究扩展了半监督学习在LiDAR语义分割中的应用,通过利用行驶场景的内在空间先验和多传感器互补来增强无标注数据集的有效性。他们引入了LaserMix++框架,通过整合多模态操作和语言驱动知识引导来增强3D场景一致性正则化。实验证明,LaserMix++在减少对标记数据依赖方面具有潜力。