التحليل الدلالي لليدار المُشرف بالرسم التخطيطي

لا يزال تأشير النقاط في سحابات ليدار (LiDAR) بشكل كثيف مكلفًا جدًا وطويل الأمد، مما يجعل من الصعب مواكبة الحجم المتزايد باستمرار للبيانات. في حين أن الأدبيات الحالية تركز على الأداء في الإشراف الكامل، فإن تطوير طرق فعّالة تستفيد من الإشراف الضعيف الواقعية لم يُستكشف بعد. في هذا البحث، نقترح استخدام التصريحات المخطوطة (scribbles) لتسمية سحابات ليدار، ونُطلق مجموعة البيانات الأولى المُسَمَّاة بـ "ScribbleKITTI"، وهي مجموعة بيانات مُسَمَّاة بـ "الخطّ المُسَمَّى" لتصنيف الدلالة في ليدار. علاوةً على ذلك، نقدّم نموذجًا متكاملًا لتقليل الفجوة في الأداء الناتجة عن استخدام هذه التسميات الضعيفة. يتكوّن هذا النموذج من ثلاث مساهمات منفصلة يمكن دمجها مع أي نموذج لتصنيف الدلالة في ليدار لتحقيق ما يصل إلى 95.7% من أداء النموذج المُشرَف بالكامل، مع استخدام فقط 8% من النقاط المُسَمَّاة. تُتاح تسميات الخطوط المُسَمَّاة والكود المصدري على منصة github.com/ouenal/scribblekitti.