要約
本研究では、特に低予算シナリオにおける半教師付きLiDARセグメンテーション（SSLS）の課題に取り組みます。低予算SSLSの主な問題は、ラベルのないデータに対する品質の低い疑似ラベルと、真ラベルと疑似ラベル間の著しい不均衡による性能低下です。この不均衡は悪循環の学習プロセスを引き起こします。これらの課題を克服するために、時空間事前情報を利用し、時間的に隣接するLiDARスキャン間の大幅な重複を認識します。我々は近接性に基づくラベル推定法を提案し、隣接するラベル付きデータとの意味的一貫性を利用して、高精度な疑似ラベルを生成します。さらに、この方法を強化するために、最も近い未ラベルスキャンから段階的に疑似ラベルを拡張することで、動的クラスに関連する誤差を大幅に削減します。また、データ不均衡によって引き起こされる性能劣化を軽減するために二重ブランチ構造を使用しています。実験結果は、低予算設定（つまり5%以下）において優れた性能を示しており、通常の予算設定（つまり5 - 50%）でも有意な改善が見られました。最後に、我々の手法はSemanticKITTIおよびnuScenesでの半教師付きLiDARセグメンテーションで新たな最先端の結果を達成しました。5%のラベル付きデータのみを使用しても、完全教師付き手法と競合できる結果を得ています。さらに、nuScenesにおいて100%のラベル付きデータを使用した従来の最先端手法（75.2%）を超える性能（76.0%）を20%のラベル付きデータのみで達成しています。コードはhttps://github.com/halbielee/PLE で公開されています。