摘要
SegContrast 为室外点云的对比学习开辟了道路。其原始设计针对自动驾驶和目标检测等应用中的单个扫描数据。然而，面向数字孪生城市、城市规划等移动测绘任务，需要大规模、高密度的数据集，以充分捕捉室外环境中的复杂性与多样性。本文重新审视并改进了 SegContrast 方法，以克服其在移动测绘数据集上面临的关键局限：对比样本稀缺性与内存资源约束问题。为缓解对比样本不足的问题，本文提出融合异构数据集的方法。然而，由于不同数据集中点云的规模和点数差异显著，这种融合并非简单直接的过程。为此，本文设计了一种数据增强策略，能够在保持点云样本大小适配可用内存的前提下，生成大量高质量的点云片段。该方法被称为 CLOUDSPAM，能够有效保障自监督模型在小规模与大规模移动测绘点云数据上的性能表现。实验结果表明，利用具有广泛密度分布和丰富类别多样性的数据集，显著提升了模型性能。CLOUDSPAM 在 KITTI-360 数据集上达到 63.6% 的 mIoU，达到当前最先进水平；在 Toronto-3D 数据集上位列第二。更重要的是，CLOUDSPAM 仅使用 10% 的标注数据，便实现了与全监督方法相媲美的性能，充分展现了其在标注数据稀缺场景下的强大潜力。