Robust Point Cloud Segmentation with Noisy Annotations

要約

点群セグメンテーションは3Dにおける基本的なタスクである。近年、ディープネットワークの力を用いた点群セグメンテーションが進展しているが、クリーンラベルの仮定に基づく現在の学習手法は、ノイズの多いラベルでは失敗する可能性がある。しかし、実世界のデータセットでは、クラスラベルはインスタンスレベルでも境界レベルでも誤ラベルであることが多い。本研究では、Point Noise-Adaptive Learning (PNAL) フレームワークを提案することで、インスタンスレベルのラベルノイズを解決することに率先して取り組む。本フレームワークは、点群特有の空間的に異なるノイズ率に対応するため、画像タスクのノイズに強い手法と比較し、ノイズ率によらない学習が可能である。具体的には、各点の過去の予測値から信頼できるラベルを得るために、点ごとの信頼度選択を提案する。また，近傍相関を考慮した最適なラベルを生成するために，クラスタ単位のラベル補正を投票戦略により提案する．また、境界レベルのラベルノイズを処理するために、境界ラベルの漸進的なクリーニングを行う「PNAL-boundary」アルゴリズムを提案する。広範囲の実験により、合成および実世界のノイズの多いデータセットにおいて、その有効性を実証する。また、60%$対称ノイズや高レベルの境界ノイズがある場合でも、我々のフレームワークはベースラインを大幅に上回り、完全に清浄なデータで学習した上界と同程度である。さらに、実世界で人気のあるデータセットScanNetV2をクリーンにして厳密な実験を行いました。我々のコードとデータは https://github.com/pleaseconnectwifi/PNAL で公開されています。

要約(オリジナル)

Point cloud segmentation is a fundamental task in 3D. Despite recent progress on point cloud segmentation with the power of deep networks, current learning methods based on the clean label assumptions may fail with noisy labels. Yet, class labels are often mislabeled at both instance-level and boundary-level in real-world datasets. In this work, we take the lead in solving the instance-level label noise by proposing a Point Noise-Adaptive Learning (PNAL) framework. Compared to noise-robust methods on image tasks, our framework is noise-rate blind, to cope with the spatially variant noise rate specific to point clouds. Specifically, we propose a point-wise confidence selection to obtain reliable labels from the historical predictions of each point. A cluster-wise label correction is proposed with a voting strategy to generate the best possible label by considering the neighbor correlations. To handle boundary-level label noise, we also propose a variant “PNAL-boundary ‘ with a progressive boundary label cleaning strategy. Extensive experiments demonstrate its effectiveness on both synthetic and real-world noisy datasets. Even with $60\%$ symmetric noise and high-level boundary noise, our framework significantly outperforms its baselines, and is comparable to the upper bound trained on completely clean data. Moreover, we cleaned the popular real-world dataset ScanNetV2 for rigorous experiment. Our code and data is available at https://github.com/pleaseconnectwifi/PNAL.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL