BriefGPT - AI 论文速递
·
基于时空相关的半监督LiDAR语义分割学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种通过散点图和SAM模型生成图像语义分割标签的方法，并将其映射到LiDAR空间实现点云语义分割。发布了Scatter-KITTI和Scatter-nuScenes数据集。提出的MM-ScatterNet网络通过多模态特征一致性提升点云表示学习，在SemanticKITTI和NuScenes数据集上使用极少量注释数据实现了接近全监督的性能。
🎯
关键要点
- 提出了一种通过散点图和SAM模型生成图像语义分割标签的方法。
- 将图像的分割标签映射到LiDAR空间，实现点云语义分割。
- 发布了Scatter-KITTI和Scatter-nuScenes数据集。
- 提出了MM-ScatterNet网络，通过多模态特征一致性提升点云表示学习。
- 在SemanticKITTI数据集上使用0.02%的注释数据实现66%的全监督性能。
- 在NuScenes数据集上使用0.1%的标记点实现95%的全监督性能。
➡️
