Dual-level Adaptive Self-Labeling for Novel Class Discovery in Point Cloud Segmentation

我们解决了点云分割中的新类别发现问题，该问题基于已知类别的语义知识来发现新类别。现有的工作提出了一种在线点级聚类方法，并对新类别采用简化的等类大小约束，以避免退化解决方案。然而，点云中新类别的固有不平衡分布通常违反等类大小约束。此外，点级聚类忽略了对象的丰富空间上下文信息，导致语义分割的表达能力较弱。为了解决上述挑战，我们提出了一种新的自标记策略，在模型训练期间自适应生成不平衡类别的高质量伪标签。此外，我们开发了一种双层表示方法，将区域一致性融入点级分类器学习中，减少了生成分割中的噪声。最后，我们在两个广泛使用的数据集SemanticKITTI和SemanticPOSS上进行了广泛的实验，结果显示我们的方法明显优于现有技术水平。

论文旨在解决点云分割中的新类别发现问题，提出了一种基于已知类别语义知识的新类别发现方法。

论文提出了一种自标记策略，通过模型训练自适应生成高质量的伪标签来解决不平衡类别分布的问题，并开发了双层表示方法，将区域一致性纳入点级分类器学习中。

论文在两个广泛使用的数据集SemanticKITTI和SemanticPOSS上进行了大量实验，结果表明该方法的性能大幅优于现有技术。此外，论文还提供了开源代码。

最近的相关研究包括：PointGroup，RandLA-Net，KPConv等。