{
  "paper_id": "5c04b619056f52a8c60ea1f49f932b2d",
  "paper_title": "LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds",
  "paper_authors": [
    "Minghua Liu",
    "Yin Zhou",
    "Charles R. Qi",
    "Boqing Gong",
    "Hao Su",
    "Dragomir Anguelov"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "LiDAR点云的语义分割是自动驾驶中的一项重要任务。然而，通过传统监督方法训练深度模型需要大规模数据集，其标注成本高昂。为了将模型扩展到新的运营域或提升稀有类别上的性能，拥有标签高效的分割方法至关重要。以往工作大多聚焦于室内场景，而我们是首批为室外LiDAR点云提出标签高效语义分割流水线的研究之一。我们的方法将高效标注流程与半/弱监督学习协同设计，可适用于几乎任何3D语义分割骨干网络。具体而言，我们利用室外场景中的几何模式进行启发式预分割以减少人工标注，并将学习目标与标注流程联合设计。在学习步骤中，我们利用原型学习获得更具描述性的点嵌入，并使用多扫描蒸馏从时间聚合的点云中挖掘更丰富的语义，以提升单扫描模型的性能。在SemanticKITTI和nuScenes数据集上的评估表明，我们提出的方法优于现有的标签高效方法。在极其有限的人工标注（如0.1%的点标签）下，我们提出的方法甚至与使用100%标签的全监督方法相比也极具竞争力。",
  "keywords": [
    "LiDAR点云",
    "语义分割",
    "标签高效学习",
    "半监督学习",
    "弱监督学习",
    "自动驾驶",
    "原型学习",
    "知识蒸馏"
  ],
  "paper_institutions": [
    "UC San Diego",
    "Waymo",
    "Google"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:34:05.429639Z",
  "template_tag": "simple",
  "summary": "### 摘要\n\nLiDAR点云语义分割是自动驾驶中实现细粒度场景理解的关键技术，但传统全监督方法需要为海量点云（LiDAR每秒可感知数百万点）提供逐点标注，成本极其高昂，且难以扩展到新运营域（如不同城市和天气）及稀有类别。以往标签高效研究大多聚焦室内场景（如ScanNet、S3DIS）或3D物体部件，并倾向于从高效标注或半/弱监督训练两个独立角度解决问题，难以应对室外点云密度变化大、类别分布极度不平衡（SemanticKITTI与nuScenes中道路点数分别为自行车点数的1197倍和2242倍）的挑战。为此，本文提出LESS（Label-Efficient Semantic Segmentation）框架，是首批面向室外LiDAR点云的标签高效语义分割方法之一，其核心思想是协同设计标注流程与模型学习：利用室外物体在隔离地面点后通常良好分离的几何特性，通过融合重叠扫描、RANSAC局部地面检测、自适应阈值连通分量构建（τ(u,v)=max(r_u,r_v)×d）与大组件细分实现启发式预分割，标注者仅需为每个组件中出现的每个类别标注一个点；训练阶段基于组件提案导出稀疏标签、弱标签与传播标签三类监督，采用核心联合损失 L = L_sparse + L_propagated + L_weak 进行优化，并引入动量更新的对比原型学习以获得更具判别性的点嵌入，再通过多扫描教师模型蒸馏时序融合点云中的丰富语义来增强单扫描学生模型。实验选用两个大规模自动驾驶数据集SemanticKITTI（德国采集，64线LiDAR，19类，10Hz标注）与nuScenes（波士顿/新加坡采集，32线LiDAR，16类，2Hz标注），二者在点密度、稀疏度与类别分布上的显著差异可充分验证方法的泛化能力；以mIoU为评价指标，LESS在SemanticKITTI验证集上仅用0.1%点标注即达66.0% mIoU，超过全监督Cylinder3D的65.9%，0.01%标注下仍达61.0%（SQN仅38.3%），在nuScenes上0.2%与0.9%标注分别达73.5%与74.8%，与全监督的75.4%高度竞争，消融实验进一步证明预分割、弱/传播标签、原型学习与多扫描蒸馏各模块的逐级贡献（mIoU从48.1%依次提升至66.0%）。未来方向包括利用已训练模型的预测挑选高价值组件（如欠表示类别与长尾实例）进行标注以高效改进现有模型。该方法不改变骨干网络架构、不增加车载部署时的推理延迟，适合实时单扫描推理的自动驾驶应用；其约束在于多扫描蒸馏主要在标签稀缺设置下有效（全监督下增益边际），室内场景因点云来自高质量重建网格而无需多扫描教师，且方法对标注噪声表现出良好鲁棒性（3%与10%噪声仅使mIoU下降2.1%与3.7%）。\n\n### 关键要点\n\n- **方法定位**：LESS是首批面向室外LiDAR点云的标签高效语义分割框架之一，将高效标注流程与半/弱监督学习协同设计，可适配几乎任意3D分割骨干网络（实验采用Cylinder3D），不改变网络架构也不增加部署时的推理延迟。\n- **预分割机制**：利用室外物体在隔离地面点后通常良好分离的几何特性，依次执行融合重叠扫描、按5m×5m网格用RANSAC检测地面、以自适应阈值 τ(u,v)=max(r_u,r_v)×d 构建连通分量、细分超大组件四步，生成高纯度组件（两数据集上超过90%的组件含不超过两个类别）。\n- **标注策略**：标注者只需浏览每个组件并为其中出现的每个类别标注一个点，组件数量比点数量少若干数量级，且无需仔细勾画实例边界，从而大幅降低人工标注成本。\n- **三类训练标签**：稀疏标签（人工直接标注，最准确且多样）、弱标签（组件内出现的类别，覆盖SemanticKITTI/nuScenes约95.5%/99.0%的点）、传播标签（纯组件标签传播至整个组件，覆盖42.0%/53.6%的点），通过联合损失 L = L_sparse + L_propagated + L_weak 共同训练。\n- **对比原型学习**：借鉴动量对比思想，以动量系数m=0.99对类原型做滑动平均更新，配合温度τ=0.1的对比损失，增强类内紧凑性与类间可分性，克服交叉熵损失边际不足的问题。\n- **多扫描蒸馏**：教师模型融合时间上相邻的扫描（SemanticKITTI为{t+0.5i, i∈[-2,2]}）以利用更密集点云中的丰富语义，通过温度T=4的软化交叉熵蒸馏损失将知识传递给单扫描学生模型，尤其提升自行车、行人等欠表示类别。\n- **试点研究**：在SemanticKITTI上，0.1%随机点标注即可达48.0% mIoU（全监督为65.9%），常见类别接近全监督，但自行车、行人、摩托车等小而稀有的类别差距显著；随机点标注因标签多样性更高而大幅优于随机扫描标注。\n- **主要结果（SemanticKITTI）**：验证集上LESS用0.1%标注达66.0% mIoU，超过全监督Cylinder3D的65.9%；0.01%标注下仍达61.0%，而SQN骤降至38.3%，OneThingOneClick仅26.0%。\n- **主要结果（nuScenes）**：验证集上LESS用0.2%标注达73.5% mIoU、0.9%标注达74.8%，与全监督Cylinder3D（75.4%）高度竞争，并大幅超过ContrastiveSC（63.5%/65.5%）。\n- **消融证据**：在0.1%标注下，预分割将mIoU从48.1%提升至59.3%，加入弱标签/传播标签达63.5%，原型学习提升至64.9%，多扫描蒸馏最终达66.0%，各模块贡献得到逐一验证。\n- **标注策略对比**：与随机采样点/扫描、主动学习、均匀网格划分、几何划分相比，LESS的组件级标注策略在相同0.1%预算下取得更高mIoU（64.9% vs 最高61.9%），且为摩托车等欠表示类别带来更多有效监督（IoU 72.3% vs 最高64.0%）。\n- **适用约束**：多扫描蒸馏主要在标签高效设置下有益（全监督下增益边际，因所有标签已准确可得）；室内场景点云来自高质量重建网格、无需多扫描教师；方法对标注噪声具有鲁棒性（3%/10%标签噪声仅使mIoU下降2.1%/3.7%），并适用于从零开始标注及长尾实例挖掘。"
}