LaserMix pour la segmentation sémantique LiDAR semi-supervisée

Annotation dense des nuages de points LiDAR est coûteuse, ce qui limite la scalabilité des méthodes d’apprentissage entièrement supervisé. Dans ce travail, nous étudions le domaine sous-exploité de l’apprentissage semi-supervisé (SSL) pour la segmentation LiDAR. Notre idée centrale consiste à exploiter les puissants indices spatiaux présents dans les nuages de points LiDAR afin d’améliorer l’exploitation des données non étiquetées. Nous proposons LaserMix, une méthode qui mélange des faisceaux laser provenant de différentes acquisitions LiDAR, tout en incitant le modèle à produire des prédictions cohérentes et fiables avant et après le mélange. Notre cadre présente trois propriétés remarquables : 1) Généricité : LaserMix est indépendant de la représentation LiDAR utilisée (par exemple, vue en distance ou voxels), ce qui permet une application universelle de notre cadre SSL. 2) Fondement statistique : nous fournissons une analyse détaillée pour expliquer théoriquement la faisabilité de notre approche. 3) Efficacité : une analyse expérimentale exhaustive sur des jeux de données populaires pour la segmentation LiDAR (nuScenes, SemanticKITTI et ScribbleKITTI) démontre clairement notre efficacité et notre supériorité. Notamment, nous obtenons des résultats compétitifs par rapport aux méthodes entièrement supervisées en utilisant seulement 2 à 5 fois moins d’étiquettes, et améliorons significativement le modèle de référence supervisé de 10,8 % en moyenne. Nous espérons que ce cadre concis mais performant pourra stimuler les recherches futures dans le domaine de la segmentation LiDAR en apprentissage semi-supervisé. Le code source est disponible publiquement.