為了解決大規(guī)模點云語義分割中的巨大標(biāo)記成本，我們提出了一種新的弱監(jiān)督環(huán)境下的混合對比正則化（HybridCR）框架，該框架與全監(jiān)督的框架相比具有競爭性。具體而言，HybridCR是第一個利用點一致性，并以端到端方式來使用對比正則化和偽標(biāo)記的框架。從根本上說，HybidCR明確有效地考慮了局部相鄰點之間的語義相似性和3D類的全局特征。我們進一步設(shè)計了一個動態(tài)點云增強器來生成多樣且魯棒的樣本視圖，其轉(zhuǎn)換參數(shù)與模型訓(xùn)練聯(lián)合優(yōu)化。通過大量實驗，HybridCR在室內(nèi)和室外數(shù)據(jù)集（如S3DIS、ScanNet-V2、Semantic3D和SemanticKITTI）上都比SOTA方法取得了顯著的性能改進。

引言

學(xué)習(xí)大規(guī)模點云的精確語義，是機器智能理解復(fù)雜3D場景的基本感知任務(wù)。現(xiàn)有的基于深度學(xué)習(xí)的方法嚴(yán)重依賴于用于訓(xùn)練的標(biāo)記點云數(shù)據(jù)的可用性和數(shù)量[5,21,22,29]。然而，3D point-wise標(biāo)記既耗時又費力。因此，我們的目標(biāo)是探索弱監(jiān)督學(xué)習(xí)，以最大限度地提高數(shù)據(jù)效率并減少標(biāo)記3D點云的工作量。 最近，出現(xiàn)了幾種3D點云弱監(jiān)督語義分割方法，通常可分為三類：

一致性正則化，在隨機修改輸入或模型function后，利用預(yù)測分布的一致性約束。

偽標(biāo)記，也稱為自訓(xùn)練，使用模型預(yù)測作為監(jiān)督。

對比預(yù)訓(xùn)練，側(cè)重于模型預(yù)訓(xùn)練，然后使用較少的標(biāo)簽對下游任務(wù)進行微調(diào)。

雖然現(xiàn)有方法取得了令人鼓舞的成果，但仍有一些局限性有待解決。首先，他們沒有充分考慮大規(guī)模場景中相鄰類的語義屬性和3D類的全局特征，未能充分利用有限但有價值的標(biāo)記[33]。其次，許多pipelines [33，38]使用固定/人工的數(shù)據(jù)增強來獲得多視圖表示，導(dǎo)致次優(yōu)的學(xué)習(xí)，因為增強的強度和類型強烈依賴于模型和數(shù)據(jù)集大小。此外，在fixed增強中忽略了樣本的形狀復(fù)雜度。第三，現(xiàn)有方法[9，37]通常涉及多個階段的預(yù)訓(xùn)練和微調(diào)，與端到端訓(xùn)練方案相比，這增加了訓(xùn)練和部署的難度。 為了解決上述缺點，我們探索分別在標(biāo)記空間和特征空間中同時利用一致性和對比性。受最近3D PSD[38]和2D FixMatch[27]的啟發(fā)，我們將偽標(biāo)簽和一致性正則化策略結(jié)合到大規(guī)模點云的端到端訓(xùn)練方案中。為了更好地使用對比信息，我們重新設(shè)計了錨點的正對和負(fù)對。一個關(guān)鍵的觀察結(jié)果是，高級語義場景理解不僅需要局部幾何特征，而且還需要全局幾何特征，使得點云實例的對比更加充分。此外，受分類任務(wù)中的PointAugment[15]的點云實例對比啟發(fā)，我們進一步引入動態(tài)點云增強器，以提供一致性和對比正則化的轉(zhuǎn)換，并進行聯(lián)合優(yōu)化。 為了實現(xiàn)上述思想，我們提出了一種新的范式，稱為混合對比正則化（HybridCR），用于大規(guī)模點云的弱監(jiān)督語義分割，該范式包括局部和全局指導(dǎo)的對比學(xué)習(xí)以及動態(tài)點云變換。如圖1所示，局部引導(dǎo)對比正則化迫使不同視圖的數(shù)據(jù)樣本靠近其相鄰點，遠(yuǎn)離其他點。對于全局引導(dǎo)對比正則化，每個樣本都被要求靠近其類原型，遠(yuǎn)離不同類原型。從根本上講，HybridCR顯式有效地考慮了局部相鄰點之間的語義相似性和3D點云類的全局特征。此外，所提出的動態(tài)點云增強器使用多層感知機（MLP）和高斯噪聲來豐富上下文位移中的數(shù)據(jù)多樣性，其中增強器的參數(shù)可以與模型訓(xùn)練聯(lián)合優(yōu)化。大量實驗表明，HybridCR在室內(nèi)場景（即S3DIS[1]和ScanNet-V2[6]）和室外場景（即Semantic3D[8]和SemanticKITTI[2]）中都達到了SOTA性能，證明了提出的框架的有效性。 總之，貢獻有四個方面： ? 提出了框架HybridCR，第一個以端到端的方式利用點一致性和對比特性進行弱監(jiān)督點云語義分割。 ? 引入了局部和全局引導(dǎo)對比正則化，以促進high-level的3D語義場景理解任務(wù)。 ? 設(shè)計了一種新的動態(tài)點云增強器，用于轉(zhuǎn)換不同且穩(wěn)健的樣本視圖，并在整個訓(xùn)練過程中對其進行了聯(lián)合優(yōu)化。 ? 與最近的弱監(jiān)督方法相比，HybridCR取得了顯著的性能，在室內(nèi)和室外數(shù)據(jù)集中，AP分別提高了平均2.4%和1.0%。 圖1. 局部和全局的混合對比正則化。 1）左圖：鼓勵錨點與匹配的正點及其相鄰點（綠色圓圈）相似，而與負(fù)點及其相鄰點（紅色圓圈）不同。 2）右圖：鼓勵錨點與匹配的正點和屬于同一類別的其他點（綠色框中）相似，而與不同類別的負(fù)點（紅色框中）不同。

2、相關(guān)工作

2.1、弱監(jiān)督點云分割

弱監(jiān)督學(xué)習(xí)是降低高人工成本的有效方法。一些弱標(biāo)記方法已經(jīng)做了初步嘗試，例如標(biāo)記一小部分點[18、33、38]或語義類[31]。現(xiàn)有方法使用各種手段來提高模型的表達能力。它們可以大致分為三類： 一致性正則化 在弱監(jiān)督圖像分類中實現(xiàn)了透視性能[28、36、40]。Xu等人[33]介紹了一種點云特征的多分支監(jiān)督方法，且采用了兩種類型的點云增強和一致性正則化。Zhang等人[38]通過擾動自蒸餾為隱式信息傳播提供了額外的監(jiān)督。Shi等人[26]研究了label-efficient學(xué)習(xí)，并引入了基于 super-point的主動學(xué)習(xí)策略。盡管受益于不同網(wǎng)絡(luò)分支的一致性，但它們沒有考慮特征空間中的對比特性。 偽標(biāo)記 根據(jù)由鄰域圖[11]或自訓(xùn)練[19，35]指定的訓(xùn)練模型[14，24]的預(yù)測創(chuàng)建監(jiān)督。在弱監(jiān)督環(huán)境中。Zhang等人[37]提出了一種基于轉(zhuǎn)移學(xué)習(xí)的方法，并引入稀疏偽標(biāo)簽來正則化網(wǎng)絡(luò)學(xué)習(xí)。Hu等人[18]提出了一種自訓(xùn)練策略，以利用偽標(biāo)簽來提高網(wǎng)絡(luò)性能。Cheng等人[4]利用動態(tài)標(biāo)簽傳播方案基于構(gòu)建的超點圖生成偽標(biāo)簽。然而，它們只使用偽標(biāo)簽來獲得更多的監(jiān)督信號，而忽略了標(biāo)簽空間中的一致性屬性。 對比預(yù)訓(xùn)練 首先由謝等人[32]提出，并通過提出點云場景的對比學(xué)習(xí)框架來啟動這項工作。然而，它主要關(guān)注具有100%標(biāo)簽的下游任務(wù)。Hou等人[9]利用場景的內(nèi)在屬性來擴展網(wǎng)絡(luò)可轉(zhuǎn)移性。Li等人[12]提出了引導(dǎo)點對比損失，并利用偽標(biāo)記學(xué)習(xí)區(qū)分特征。然而，它們只在特征空間中進行point-level的對比，而忽略了點云的內(nèi)在屬性，即幾何結(jié)構(gòu)和類語義。 HybridCR重新設(shè)計了大規(guī)模點云的局部和全局的正負(fù)對，并充分探索了如何以端到端的方式利用且增強一致性和對比性。

2.2、點云增強

現(xiàn)有網(wǎng)絡(luò)中的數(shù)據(jù)增強[33，38]主要包括隨機旋轉(zhuǎn)、縮放和抖動，這些都是在整個訓(xùn)練過程中手工/固定的。Li等人[15]提出了一種利用對抗學(xué)習(xí)策略的自動增強框架。Chen等人[3]通過實例之間的插值來說明這一點。Kim等人[13]利用局部加權(quán)變換產(chǎn)生非剛性變形。但是，他們只關(guān)注 object-level的點云。此外，在實際應(yīng)用中實現(xiàn)它們很復(fù)雜，這在訓(xùn)練期間給調(diào)整參數(shù)帶來了困難，并且僅關(guān)注object-level點云。我們引入了一個動態(tài)點云增強器，在訓(xùn)練期間為大規(guī)模點云生成各種變換。 圖2. 原始點云首先被輸入動態(tài)增強器以生成增強點。然后，原始點和增強點通過Siamese網(wǎng)絡(luò)生成模型對所有點的預(yù)測，以及高置信度的未標(biāo)記點的偽標(biāo)簽。Point-level的一致性損失Lcon和對比損失Lcra用于所有點的預(yù)測，而softmax交叉熵?fù)p失Lseg用于有標(biāo)記點的監(jiān)督。同時，偽標(biāo)簽用于計算每個類的原型。最后，HybridCR從局部和全局兩個角度進行，以形成局部和全局引導(dǎo)對比損失（即Llcl和Lgcl），為特征學(xué)習(xí)提供正則化。通過這種方式，HybridCR為端到端訓(xùn)練方案中的弱監(jiān)督框架服務(wù)。

3、方法

在本部分中，我們首先描述了第3.1節(jié)中的符號和預(yù)備知識。然后，我們在第3.2節(jié)中介紹了具有局部和全局引導(dǎo)對比正則化的HybridCR的一般框架。接下來，我們在3.3節(jié)中介紹動態(tài)點云增強器。最后，我們在第3.4節(jié)中介紹了training的總體目標(biāo)。

3.1、預(yù)備知識

問題設(shè)置和符號。

點級一致性和對比。點級一致性[33,38]已廣泛用于弱監(jiān)督點云語義分割，它將具有不同增強的關(guān)聯(lián)點對強制到Siamese網(wǎng)絡(luò)中，以具有相同的特征表示。形式上，點級一致性損失公式為

高級語義場景理解任務(wù)不僅需要局部信息，還需要全局信息，僅在point-level直接對比3D實例是不夠的[17，32]。因此，這促使我們探索更有效的對比策略，以充分利用點云在幾何結(jié)構(gòu)和類語義中的固有特性。

3.2、混合對比正則化

如圖2所示，我們?yōu)榇笠?guī)模點云提出了一個緊湊的弱監(jiān)督語義分割框架，該框架包含新型混合對比正則策略（HybridCR），且具有有效的動態(tài)點云增強器。原始點云首先被輸入到動態(tài)點云增強器，以生成不同的變換。然后，原始輸入點和增強點通過Siamese網(wǎng)絡(luò)，使用模型對未標(biāo)記點的預(yù)測來生成偽標(biāo)簽。通過使用不同變換的匹配3D點對，鼓勵模型在訓(xùn)練期間學(xué)習(xí)相似和魯棒的特征。同時，生成的偽標(biāo)簽用于計算每個類的原型。最后，在局部和全局引導(dǎo)的角度上，進行HybridCR，以學(xué)習(xí)未標(biāo)記點和標(biāo)記點之間的特征關(guān)系，這也利用了標(biāo)記點的傳統(tǒng)分割損失，且具有點級一致性和對比損失。 3.2.1 局部引導(dǎo)對比正則化 局部鄰域信息對于點云對象的特征學(xué)習(xí)至關(guān)重要。例如，遮擋和孔洞始終存在于室內(nèi)和室外場景的對象中。如果模型從其他完整對象中學(xué)習(xí)局部結(jié)構(gòu)信息（球體、角點等），則可以在訓(xùn)練期間增強模型對不完整對象的魯棒性。而點云的局部特征主要來自于點及其鄰域，這啟迪我們通過提出的局部引導(dǎo)對比正則化，來建模點云的局域信息。為了實現(xiàn)這一點，我們首先查詢錨點的相鄰點，然后促使每個點的不同增強視圖靠近其相鄰點，遠(yuǎn)離其他點。

事實上，提出的局部引導(dǎo)對比損失更一般化為等式2。注意，如果K設(shè)置為1，等式4退化為等式2。 3.2.2 全局引導(dǎo)對比正則化

3.3、動態(tài)點云增強器

數(shù)據(jù)增強器是所提出的HybridCR中一個重要的組成部分，它生成各種錨點、正負(fù)樣本，并通過在輸入中添加特定噪聲來提取不變表示。受[15]的啟發(fā)，我們使用MLP和高斯噪聲來實現(xiàn)可學(xué)習(xí)的動態(tài)點云增強器，它豐富了上下文位移中的數(shù)據(jù)多樣性，并在同一場景中生成不同的變換。

圖3. 動態(tài)點云增強器的架構(gòu)。與[33,38]中采用的傳統(tǒng)增強器相比，在訓(xùn)練期間進行了聯(lián)合優(yōu)化。

3.4、總體目標(biāo)

如上所述，在端到端地訓(xùn)練方案中，HybridCR可以作為弱監(jiān)督點云語義分割框架的有效對比正則化策略。網(wǎng)絡(luò)的總體目標(biāo)如下：

4、實驗

4.1、實驗設(shè)置

實驗數(shù)據(jù)集包含S3DIS[1]、ScanNetV2[6]、Semantic3D[8]和SemanticKITTI[2]。S3DIS是用于語義分割的常用室內(nèi)3D點云數(shù)據(jù)集。它有271個點云場景，跨越6個區(qū)域，共13個類別。ScanNet-V2也是一個室內(nèi)三維點云數(shù)據(jù)集，包含1613個三維掃描，共20個類別。整個數(shù)據(jù)集被分成訓(xùn)練集（1201個掃描）、驗證集（312個掃描）和測試集（100個掃描）。Semantic3D是一個室外數(shù)據(jù)集，它提供了一個具有超過40億個點的大規(guī)模標(biāo)記3D點云。它涵蓋了一系列不同的城市場景，原始3D點有8類，包含多種信息，如3D坐標(biāo)、RGB信息和強度。SemanticKITTI是一個大型戶外點云數(shù)據(jù)集，用于自動駕駛場景中的3D語義分割，共有19個類。數(shù)據(jù)集包含22個序列，這些序列被劃分為訓(xùn)練集（10個序列，有19k幀）、驗證集（1個序列，有4k幀）和測試集（11個序列，有20k幀）。 實現(xiàn)細(xì)節(jié)。我們使用初始學(xué)習(xí)率為0.001、動量為0.9的Adam優(yōu)化器，在NVIDIA RTX Titan GPU上為所有數(shù)據(jù)集訓(xùn)練100個epochs。相鄰點的數(shù)量K為16，batch-size為6，初始學(xué)習(xí)率為0.01，衰減率為0.98，每個epoch的迭代steps設(shè)置為500。注意，由于其有效性和效率，我們選擇基于點的backbone PSD[38]作為baseline。 評估協(xié)議。我們評估原始測試集中所有點的最終性能。為了進行定量比較，我們使用平均交并比（mIoU）作為度量標(biāo)準(zhǔn)。我們實驗研究了兩種類型的弱標(biāo)記：1pt和1%設(shè)置。此外，我們將HybridCR擴展到全監(jiān)督的方式。 表1 . S3DIS區(qū)域5的定量結(jié)果?！?”表示我們使用官方代碼訓(xùn)練的方法的結(jié)果。請注意，我們的1pt表示整個空間中每個類別僅有一個標(biāo)記點，而不是Xu等人[33]的小塊（例如1×1米）。在我們的1pt設(shè)置中，標(biāo)記點的數(shù)量占總點的0.03%，在Xu等人[33]中約為0.2%。

4.2、與SOTA方法比較

在S3DIS和ScanNet-V2上的定量結(jié)果。首先，我們將HybridCR與S3DIS Area-5上的SOTA方法進行了比較，其定量結(jié)果在表1中總結(jié)。顯然，與Zhang等人[37]、PSD[38]、Π模型[25]、MT[28]、Xu等人[33]和RandLA Net[10]相比，我們所提出的HybridCR在1pt和1%的設(shè)置下實現(xiàn)了最高的mIoU。例如，在1pt（0.03%）的設(shè)置時，我們的方法比PSD和RandLA Net分別高出3.3%和10.8%。此外，與Xu等人[33]相比，我們的方法還實現(xiàn)了7.0%的性能增益，Xu等人利用了約0.2%的更多點標(biāo)記。在1pt（0.03%）設(shè)置下的特定類方面，我們的方法顯著提高了性能，相對于PSD，“椅子”、“桌子”和“沙發(fā)”分別提高了8.7%、16.4%和8.9%。 對于1%的設(shè)置，我們的方法比PSD baseline獲得1.8%的mIoU增益，甚至超過Xu等人在設(shè)置為10%時[33]。為了解釋這一點，我們的方法通過添加所提出的hydrid對比正則化，從大規(guī)模點云數(shù)據(jù)中學(xué)習(xí)不同的幾何結(jié)構(gòu)?；诖?，我們的方法僅使用1%的點來優(yōu)于全監(jiān)督的RandLA-Net和PSD。為了進行公平的比較，我們還擴展了在 6-fold設(shè)置時、基于S3DIS數(shù)據(jù)集與其他方法的比較，其結(jié)果如表2所示。對于ScanNet-V2，與基于場景或者subcloud-level標(biāo)注的WyPR[23]和MPRM[31]相比，HybridCR在測試集上的1%設(shè)置下實現(xiàn)了56.8%的最高mIoU。同時，在相同數(shù)量的標(biāo)注下，HybridCR比Zhang等人實現(xiàn)了5.7%的mIoU增益。此外，在全監(jiān)督的情況下，我們的方法比RandLA-Net實現(xiàn)了2.1%的mIoU增益。 S3DIS和ScanNet-V2的定性結(jié)果。 我們分別在圖4和圖5中展示了S3DIS的定性結(jié)果和Scanne-V2的定量結(jié)果。在S3DIS上，與PSD相比，HybridCR在“板”和“椅子”上實現(xiàn)了更好的分割。此外，HybridCR的分割結(jié)果與真實情況非常一致。在ScanNet-V2上，我們觀察到HybridCR獲得了良好且真實的分割結(jié)果。在ScanNet-V2上，與PSD相比，HybridCR在“沙發(fā)”和“書桌”上表現(xiàn)良好。原因可能是，HybridCR可以有效地利用動態(tài)點云增強器生成的各種變換來提高表示能力并提高分割性能。 Semantic3D和SemanticKITTI的定量結(jié)果。我們進一步評估了在室外大型點云數(shù)據(jù)集Semantic3D（reduced-8）和SemanticKITTI上的HybridCR，并將結(jié)果分別顯示在表2中。對于Semantic3D，與Zhang等人[37]和PSD相比，我們的方法在1%的設(shè)置下也實現(xiàn)了更好的性能，mIoU改善了4.2%和1.0%。對于SemanticKITTI，我們的方法在1%的設(shè)置下，在驗證和測試數(shù)據(jù)集上報告的結(jié)果分別為51.9%和52.3%?？梢钥闯?，我們的方法在標(biāo)注有限的情況下大大優(yōu)于其他基于點的方法。 Semantic3D和SemanticKITTI的定性結(jié)果。 我們分別在圖6和圖7中給出了Semantic3D和SemanticKITTI的定性結(jié)果。在Semantic3D上，我們的方法是對PSD的改進，特別是實現(xiàn)了對“建筑物”的精確分割。在SemanticKITTI上，可以看出，我們的方法實現(xiàn)了與ground-truth的一致性分割結(jié)果，特別是在“道路”和“汽車”中，這兩個場景在自動駕駛應(yīng)用中很難區(qū)分，但在稀疏的室外場景中很關(guān)鍵。結(jié)果證明了該方法在室外數(shù)據(jù)集上的有效性。 全監(jiān)督設(shè)置的結(jié)果。 基于室內(nèi)和室外數(shù)據(jù)集，我們進一步擴大了與當(dāng)前SOTA方法的全監(jiān)督設(shè)置上的比較，其定量結(jié)果在表2中總結(jié)?？梢钥闯?，HybridCR在它們之間具有競爭力。例如，HybridCR在S3DIS和ScanNet-V2上分別以0.7%和2.1%的mIoU改進超過了RandLA Net，在SemanticKITTI上獲得0.1%mIoU改善。此外，在mIoU中，HybridCR在Semantic3D上比KPConv高1.8%。 圖4. S3DIS Area-5測試集的可視化結(jié)果。原始點云、語義標(biāo)簽、baseline結(jié)果和我們的結(jié)果，分別從左到右顯示。 圖5. ScanNetV2驗證集的可視化結(jié)果。原始點云、語義標(biāo)簽、基線結(jié)果和我們的結(jié)果，分別從左到右顯示。 表2. S3DIS 6-fold、ScanNetV2驗證集、Semantic3D（reduced-8）和SemanticKITTI驗證集的定量結(jié)果（mIoU（%）），帶有完全標(biāo)記數(shù)據(jù)和1%標(biāo)記數(shù)據(jù)。特別地是，在100%標(biāo)記數(shù)據(jù)的實驗中，我們的混合對比損失用作輔助特征學(xué)習(xí)損失?！?”表示我們使用官方代碼訓(xùn)練的方法的結(jié)果。 圖6. Semantic3D驗證集的可視化。原始點云、語義標(biāo)簽、基線結(jié)果和我們的結(jié)果，從左到右分別顯示。 圖7. SemanticKITTI驗證集的可視化結(jié)果。語義標(biāo)簽、基線結(jié)果和我們的結(jié)果，從左到右分別顯示。

4.3、消融研究

我們進一步評估消融研究的基本組件的有效性，包括動態(tài)點云增強器和局部/全局引導(dǎo)對比正則化。所有實驗均在S3DIS Area-5上進行，結(jié)果如表3所示。請注意，#1由PSD報告，而#8由HybridCR報告，我們使用平均值和標(biāo)準(zhǔn)偏差（5 runs）報告結(jié)果。 動態(tài)數(shù)據(jù)增廣器的有效性。為了驗證數(shù)據(jù)增廣帶來的改進，我們比較了Base。在帶有數(shù)據(jù)增強時，進行相比，在1pt和1%的設(shè)置下，#1和#2分別獲得了2.5%和1.0%的增益。對于#5和#8，在1pt和1%設(shè)置下，其分別比HybridCR獲得了0.4%和0.3%的增益。結(jié)果表明，通過不同的轉(zhuǎn)換，HybridCR從數(shù)據(jù)增強中獲得了許多好處。 局部引導(dǎo)對比損失的有效性。在1pt和1%設(shè)置下，從#1和#3的比較來看，它在mIoU方面分別比Base 優(yōu)于1.6%和0.4%。對于#7和#8，其分別比HybridCR提高0.5%和0.2%。這些結(jié)果表明。這進一步提高了性能，因為它在增強特征學(xué)習(xí)的同時，利用了模型訓(xùn)練期間的相鄰信息。 全局引導(dǎo)對比損失的有效性。類似地，從#1和#4的比較來看，它優(yōu)于Base。在1pt和1%的設(shè)置下分別增加2.0%和0.5%。對于#6和#8，它分別比HybridCR獲得1.3%和0.6%的增益。結(jié)果表明，全局引導(dǎo)利用類原型有效地提高了弱監(jiān)督語義分割任務(wù)的性能。 圖8. 1%設(shè)置下點embedding的可視化。（a） 是PSD的embedding，（b）是HybridCR的embedding。從S3DIS的測試集中隨機選擇場景。（c）是標(biāo)記點的數(shù)量與性能之間的關(guān)系。

4.4、分析

點embedding的可視化。如圖8（a）和（b）所示，與PSD相比，HybridCR學(xué)習(xí)的點embedding變得更加緊湊和分離。這表明，通過利用局部和全局引導(dǎo)對比損失以及動態(tài)點云增強器生成的有效變換，分割網(wǎng)絡(luò)可以生成更多的區(qū)別特征，并產(chǎn)生有前景的結(jié)果。 標(biāo)記點和性能。在圖8（c）中，我們進一步討論了性能與標(biāo)記比率{1pt，0.1%，1%，10%，50%，100%}之間的關(guān)系。隨著比率的增加，兩種方法的性能都有所提高，增長趨勢逐漸放緩。注意，當(dāng)比率小于1%時，性能略有下降，這表明保持一定量的監(jiān)督信號是必要的。此外，當(dāng)比率為10%時的性能接近100%，這表明不需要密集標(biāo)注來獲得良好的分割結(jié)果。 表3. S3DIS Area-5上不同組件的消融實驗情況。

5、結(jié)論

在本文中，我們提出了一種用于弱監(jiān)督大規(guī)模點云語義分割的混合對比正則化框架。利用我們提出的局部和全局引導(dǎo)對比正則化，網(wǎng)絡(luò)通過利用相鄰點和偽標(biāo)簽學(xué)習(xí)更多的鑒別特征。同時，我們提出了一種動態(tài)點云增強器，用于在訓(xùn)練過程中通過聯(lián)合優(yōu)化實現(xiàn)更多樣的轉(zhuǎn)換，從而有利于對比策略。室內(nèi)和室外數(shù)據(jù)集的大量實驗結(jié)果表明，和SOTA方法相比，HybridCR獲得了顯著的增益。此外，消融研究驗證了引入的關(guān)鍵部件的有效性。結(jié)果進一步證明了我們的方法利用有限標(biāo)記的大規(guī)模點云方面的有效性，并提高模型的泛化能力。