基于原型对齐正则化与矫正优化的少样本3D点云语义分割

3D点云语义分割在自动驾驶等现实应用中起着重要作用。现有大部分点云语义分割方法均依赖于大量获取成本昂贵的点级标签用于全监督训练，且在推理时无法扩展到对不可见新类的识别上。为克服上述限制，少样本学习（few-shot learning）通过仅使用少量标注的新类样本来实现到新知识的泛化。在对原型网络（prototypical network）研究基础上，设计一种对点云视觉原型进行自对齐、跨对齐正则化，并进一步矫正优化的少样本3D点云语义分割框架，以充分利用支撑集信息。在公开数据集S3DIS和ScanNet上不同少样本设置下（N-way,K-shot）的实验充分证明了方法在分割效果和推理效率上的优越性。