نتناول التحديات المرتبطة بمشكلة تقسيم ليدار شبه المشرف (SSLS)، خاصة في السيناريوهات ذات الميزانية المنخفضة. هناك مشكلتان رئيسيتان في SSLS منخفضة الميزانية، وهما تسميات الوكيل ذات الجودة السيئة للبيانات غير المصنفة، وانخفاض الأداء بسبب الخلل الكبير بين البيانات الحقيقية وتسميات الوكيل. يؤدي هذا الخلل إلى دورة تدريبية ضارة. لتجاوز هذه التحديات، نستفيد من الأولوية المكانية-الزمانية من خلال الاعتراف بالتقاطع الكبير بين المسحات الليدارية المتقاربة زمنياً. نقترح تقدير التسميات القائمة على القرب، والذي يولد تسميات وكيل عالية الدقة للبيانات غير المصنفة باستخدام التجانس الدلالي مع البيانات المجاورة المصنفة. بالإضافة إلى ذلك، نعزز هذه الطريقة من خلال توسيع تسميات الوكيل تدريجياً من المسحات غير المصنفة الأقرب، مما يساعد بشكل كبير في تقليل الأخطاء المرتبطة بالفئات الديناميكية. علاوة على ذلك، نستخدم هيكلًا ذو فرعين لتخفيض الانخفاض في الأداء الناجم عن عدم التوازن في البيانات.تظهر النتائج التجريبية أداءً ملحوظًا في السيناريوهات ذات الميزانية المنخفضة (أي ≤ 5%) وتحسينات ذات معنى في السيناريوهات ذات الميزانية العادية (أي 5 - 50%). أخيرًا، حققت طريquetنا نتائج جديدة رائدة على SemanticKITTI و nuScenes في تقسيم ليدار شبه المشرف. باستخدام فقط 5% من البيانات المصنفة، توفر طرقنا نتائج تنافسية مقابل الطرق التي تعتمد على الإشراف الكامل. بالإضافة إلى ذلك، تتخطى أداء الطرق الرائدة السابقة عند استخدام 100% من البيانات المصنفة (75.2%) باستخدام فقط 20% من البيانات المصنفة (76.0%) على nuScenes. يمكن الحصول على الكود من https://github.com/halbielee/PLE.注释：- "Spatio-temporal prior" 翻译为 "الأولوية المكانية-الزمانية"。- "Proximity-based label estimation" 翻译为 "تقدير التسميات القائمة على القرب"。- "Dual-branch structure" 翻译为 "هيكل ذو فرعين"。