面向挑战性特征的教师–学生点云分割框架

《Remote Sensing》:A Teacher–Student Point Cloud Segmentation Framework for Challenging Features

【字体: 大 中 小 】 时间:2026年09月27日 来源:Remote Sensing 4.3

编辑推荐:

  现有的点云语义分割模型往往偏向点数充足、结构显著的类别,而稀疏、小尺度和易混淆的目标仍表征不足。为解决该问题,研究人员提出一种面向挑战性特征的离线教师–学生点云分割框架。该框架采用挑战类中心采样来增强教师对难学目标及其局部上下文的表征,并生成与原始点云逐点对齐

  
现有的点云语义分割模型往往偏向点数充足、结构显著的类别,而稀疏、小尺度和易混淆的目标仍表征不足。为解决该问题,研究人员提出一种面向挑战性特征的离线教师–学生点云分割框架。该框架采用挑战类中心采样来增强教师对难学目标及其局部上下文的表征,并生成与原始点云逐点对齐的类别响应先验。随后,点基础适配器(Point Foundation Adapter,PFA)在特征层选择性注入教师先验,同时挑战点选择性知识蒸馏在输出层施加针对性约束。在WHU3D和Toronto3D上的实验显示,不同教师–学生骨干组合均获得一致提升。对于Sonata–OA-CNNs,WHU3D上的mIoU和Hard mIoU分别从45.54%和22.58%提升至51.91%和32.84%,Toronto3D上从73.03%和55.41%提升至80.73%和68.51%。这些结果表明,专门的教师学习和选择性先验迁移可改善不同骨干架构下的挑战类分割,教师先验同时支持学生训练和推理。
点云语义分割(point cloud semantic segmentation)是三维场景理解的基础任务。尽管现有模型整体精度显著提升,但场景中稀疏、小尺度、易混淆的目标仍常被低估。原因不仅在于类别点数少,还与遮挡、边界混合、几何相似以及模型的特征提取偏好有关。已有教师–学生蒸馏方法多用于模型压缩或跨表征知识迁移,缺少对挑战性特征的专门学习与逐点选择性迁移。为此,研究人员提出一种面向挑战性特征的离线教师–学生框架(teacher–student framework),通过挑战类中心采样、点基础适配器(PFA)和挑战点选择性知识蒸馏,将教师模型的判别性先验注入学生模型,以提升对挑战类别的识别。

该框架在WHU3D和Toronto3D两个大规模城市点云数据集上验证。实验表明,不同教师–学生骨干组合均获得一致提升:在Sonata–OA-CNNs组合下,WHU3D的mIoU和Hard mIoU分别由45.54%和22.58%提升至51.91%和32.84%;Toronto3D上由73.03%和55.41%提升至80.73%和68.51%。这表明专门的教师学习和选择性先验迁移可改善不同骨干架构下的挑战类分割,且教师先验同时支持学生训练和推理。

研究人员采用三个关键设计。第一,挑战类中心采样,使教师以挑战类点为中心裁剪局部区域,聚焦困难目标及其上下文。第二,点基础适配器(PFA),将教师逐点类别响应先验投影到学生特征空间,并以学生特征、坐标和教师掩码为条件生成门控权重,在特征层选择性注入先验。第三,挑战点选择性知识蒸馏,通过有效标签掩码、教师选择掩码和挑战类掩码限定蒸馏位置,在输出层用温度软化的Kullback–Leibler散度约束师生分布。样本来自WHU3D(航空激光扫描,Area1–3训练/验证,Area4测试)和Toronto3D(车载32线LiDAR,L001/L003/L004训练/
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号