通过渐进式感受野组件推理实现的全监督点云分割

在神经网络中，隐藏层特征通常难以学习到有利于三维分割的有信息量的表示，原因在于监督信号仅施加于最终输出预测，而无法有效引导中间层的特征学习。这一问题可通过在中间层引入全尺度监督（omni-scale supervision）得以解决。本文提出一种面向点云分割的首个全尺度监督方法——渐进式感受野组件推理（Gradual Receptive Field Component Reasoning, RFCR）。该方法设计了目标感受野组件编码（Target Receptive Field Component Codes, RFCCs），用于记录编码器中各隐藏单元感受野内的类别信息。随后，目标RFCCs将自粗至细地监督解码器逐步推断出对应的RFCCs，最终获得语义标签。由于大量隐藏特征幅值极小、激活程度低，对RFCC预测的贡献微乎其微，为此我们提出特征稠密化（Feature Densification）机制，引入离心势能（centrifugal potential）以增强特征表达的清晰度，该机制在本质上等价于对特征分布施加熵正则化。更具活性的特征进一步释放了全监督方法的潜力。我们将该方法嵌入四种主流骨干网络，并在三个具有挑战性的基准数据集上进行测试。实验结果表明，本方法在全部三个数据集上均显著提升了骨干网络的性能。具体而言，在S3DIS和Semantic3D数据集上取得了新的最先进（SOTA）结果，并在基于点云的方法中于ScanNet基准上排名第一。代码将公开发布于：https://github.com/azuki-miho/RFCR。