摘要
近年来，三维激光雷达（3D LiDAR）点云数据的可用性显著提升，但数据标注仍面临成本高昂且耗时的问题，从而催生了对半监督语义分割方法的迫切需求，尤其在自动驾驶等应用领域。现有方法通常采用结构较大的分割主干网络以提升分割精度，但由此带来了较高的计算开销。此外，许多方法采用均匀采样策略以减少对真实标注数据的需求，却常常导致性能不佳。针对上述问题，本文提出一种新型处理流程，采用更轻量级的网络架构，在显著减少所需真实标注数据量的同时，实现了优于当前主流方法的分割精度。这一优势得益于我们提出的新型稀疏深度可分离卷积模块（Sparse Depthwise Separable Convolution），该模块在大幅降低网络参数量的同时，有效保持了整体任务性能。为实现高效的数据子采样，我们进一步提出一种时空冗余帧下采样方法（Spatio-Temporal Redundant Frame Downsampling, ST-RFD），该方法利用传感器在环境中的运动信息，提取更具多样性的训练帧子集，从而提升训练数据的有效性。为更充分地利用有限的标注样本，我们还引入一种基于LiDAR反射率信息的软伪标签（soft pseudo-label）策略。实验结果表明，在SemanticKITTI（59.5@5%）和ScribbleKITTI（58.1@5%）两个基准数据集上，本方法在仅使用较少标注数据的情况下，mIoU指标超越了当前主流的半监督方法。同时，模型参数量减少了2.3倍，乘加操作（multiply-add operations）减少了641倍，且在极小规模训练数据下仍展现出显著的性能提升，充分验证了“少即是多”（Less is More）的设计理念。