基于过度分割的大规模激光雷达点云高效语义标注

《Expert Systems with Applications》:Oversegmentation-based Efficient Semantic Annotation for Large-Scale LiDAR Point Clouds

【字体: 大 中 小 】 时间:2026年09月28日 来源:Expert Systems with Applications 9.4

编辑推荐:

   •一种用于点云过度分割的基础模型。•从SAM蒸馏可提升结构一致性。•面向大规模场景的免训练图元识别。•以极低的标注成本实现高标注精度。•在多个基准测试中表现出良好的跨数据集泛化能力。引言激光雷达传感平台的快速发展,包括无人驾驶飞行器(UAV)、移动激光扫描仪(MLS)以及室内

  
  • •
    一种用于点云过度分割的基础模型。
  • •
    从SAM蒸馏可提升结构一致性。
  • •
    面向大规模场景的免训练图元识别。
  • •
    以极低的标注成本实现高标注精度。
  • •
    在多个基准测试中表现出良好的跨数据集泛化能力。

引言

激光雷达传感平台的快速发展,包括无人驾驶飞行器(UAV)、移动激光扫描仪(MLS)以及室内RGB-D系统,使得点云数据的规模和密度显著增长(Du, Zelek, Zhang, & Li, 2025)。单个激光雷达场景可能包含数千万个点。在此规模下进行密集的点级语义标注极其昂贵。例如,标注一个包含约1000万个点的UAV航拍场景通常需要数百人时。因此,人工标注已成为将基于学习的点云理解方法扩展到实际应用的重大障碍。
尽管基于学习的点云理解方法已取得显著进展,但其在真实大规模场景中的部署越来越受到人工语义标注高成本和有限可扩展性的制约。对大规模激光雷达场景进行密集点级标注既耗时又费力,使标注成本成为进一步发展的关键瓶颈。尽管弱监督和主动学习方法(Deng, Lu, Zhang, 2025, Xu, Lee, 2020, Xu, Yuan, Zhao, Zhang, Gao, 2023, Zhang, Qu, Xie, Li, Zheng, Li, 2021)试图减少标注工作量,但它们仍在点级或实例级上操作,并且需要反复的人工干预,仍然成本高昂且对场景复杂性敏感。另一方面,无监督语义分割方法(Ruoppa, Oinonen, Taher, Lehtom?ki, Takhtkeshha, Kukko, Kaartinen, Hyypp?, 2025, Zhang, Dai, Wang, Li, Yang, 2026, Zhang, Dai, Wen, Yang, 2025b, Zhang, Yang, Wang, Li, 2023)旨在完全消除人工标注,但往往难以将学习到的表示与人类定义的语义类别对齐。例如,树木和电线杆经常混淆,因为两者都形成垂直拉长的结构。类似地,道路标线经常与路面合并,因为它们位于同一平面且高程相似(Tan et al., 2020)。这种不对齐现象在大规模室外场景中尤为明显,其中不同语义类别表现出高度异质的几何结构和特征分布。因此,直接将点级特征聚类为语义类别往往导致不稳定的结果和语义歧义。
激励我们工作的一个关键观察是,语义标签并非点云最自然的组织单元。相反,点云本质上由几何和空间连续性来组织,这表明结构一致的过度分割提供了一种更稳定、更可扩展的中间表示。然而,现有的超点和过度分割方法(Hui, Tang, Dai, Xie, Yang, 2023, Landrieu, Boussaha, 2019, Landrieu, Simonovsky, 2018, Lu, Kwan, Li, Chen, Guan, 2025, Papon, Abramov, Schoeler, Worgotter, 2013, Robert, Raguet, Landrieu, 2023)要么是基于启发式的,要么是特定于数据集的,要么是在完整语义监督下训练的。
SAM(Kirillov et al., 2023)等基础模型在2D视觉领域的成功,展示了大规模学习任务无关结构表示的有效性。然而,这一思路在点云领域尚未得到充分探索。现有的点云基础模型(Thengane, Zhu, Bouzerdoum, Phung, & Li, 2025)主要关注分类、分割和物体检测等语义级任务。结构级分解在很大程度上仍未被探索。特别是,尚无任何基础模型是专门为点云过度分割而设计的。
在本工作中,我们通过引入首个面向大规模激光雷达点云的过度分割基础模型来弥补这一空白。我们的方法主要从SAM(Kirillov et al., 2023)中蒸馏分组知识,以构建大规模过度分割监督数据集,其中语义标签仅用于在数据集构建期间细化SAM导出的结构目标。生成的数据集包含来自多样化大规模室外航拍点云场景的超过10万个样本。通过对比蒸馏学习结构一致的表示,所提出的模型能够直接从原始点云产生稳定的过度分割结果,并良好地泛化到未见过的数据集和不同的采集平台。
在学到的过度分割基础上,我们进一步提出了一种免训练的分层图元识别框架。我们的方法不单纯依赖固定的k-means聚类,而是通过几何、外观和结构一致性引导的迭代聚合与精炼来构建图元。这种设计避免了k-means对特征尺度的敏感性,并减少了语义混合。
最后,我们证明这些图元能够实现一种结构感知且高效标注的范式。该范式从根本上不同于传统的弱监督。标注不是在单个点级或使用粗粒度标签,而是在图元级别进行。图元与场景的内在结构自然对齐。仅需低至0.01% ~ 0.1%的标注成本,生成的标签即可达到约96%的标注精度。使用这些标签训练的模型能够保持全监督模型90%以上的性能(以mIoU衡量)。
总之,我们工作的主要贡献如下:
  • •
    我们提出了首个面向大规模激光雷达点云的过度分割基础模型。该模型通过从SAM分组先验中蒸馏知识在超过10万个航拍点云样本上进行训练,并展现出强大的跨数据集和跨平台泛化能力。
  • •
    我们开发了一种免训练的分层图元识别框架,通过迭代聚合和精炼操作构建紧凑的图元。
  • •
    我们展示了一种基于所提图元构建的高效结构感知标注范式。仅需极少的人工干预(低至0.1%的标注),生成的标签即可达到约96%的标注精度,使下游分割模型能够保持全监督性能90%以上(以mIoU衡量)。在室内和室外数据集上的大量实验涵盖了过度分割、无监督语义分割和高效标注任务,验证了所提框架的有效性和强大的泛化能力。

章节摘要

点云语义分割

深度学习极大地推动了点云语义分割的发展。早期方法如PointNet(Qi, Su, Mo, & Guibas, 2017a)和PointNet++(Qi, Yi, Su, & Guibas, 2017b)通过对称函数和层次特征聚合在无序点集上建立了端到端学习。后续架构关注大规模场景的可扩展性和几何建模。RandLA-Net(Hu et al., 2020)引入了高效的随机采样与局部特征聚合,

CRediT作者贡献声明

Dening Lu:概念构思、方法论、验证、形式化分析、调查研究、论文撰写—原始稿件、可视化。Qian Xie:方法论、验证、调查研究、论文撰写—审阅与编辑。Kyle Gao:可视化、调查研究、论文撰写—审阅与编辑。Jing Du:验证、形式化分析、论文撰写—审阅与编辑。William Xu:调查研究、数据整理、论文撰写—审阅与编辑、资金获取。Jonathan Li:概念构思、资源提供、论文撰写—审阅与编辑

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能会影响本论文所报告的工作。
Dening Lu|Qian Xie|Kyle Gao|Jing Du|William Xu|Jonathan Li
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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