在计算机视觉中，理解场景中的对象及其位置是一项标准任务。训练三维空间识别系统通常涉及使用传感器捕捉场景，然后用3D box手动标记场景中对象的空间范围，包括标记它们的位置。尽管人工标注是训练人工智能模型的一种流行且强大的方法，但它非常耗时。在一个小型室内3D场景中，标注和绘制box平均需要20多分钟。如果没有box，而有场景级别标签的集合（如场景中存在的对象列表），为三维场景添加标签会更快更容易。

所以，Facebook人工智能研究院和伊利诺伊大学厄巴纳-香槟分校的研究人员提出，不用空间标注的3D来进行空间识别。

在名为《Recognizing 3D spaces without spatial labels》的论文中，团队主要提出了以下问题：是否可以学习在训练期间仅使用场景级标记（如场景中存在的对象列表）作为监督，然后在三维数据（如点云）中执行空间识别呢，如检测和分割对象？

对于论文提出的WyPR方法，团队证明了通过联合处理分割和检测这两个自然相互约束的任务，其能够学习这种弱监督问题的有效表示。WyPR可以将二维弱监督学习的进展与三维点云数据的独特特性相结合。实验显示，对于具有挑战性的数据集（ScanNet），它的mIOU比以前的技术高出6%。研究人员指出，这为未来的研究建立了新的基准和基线。

为何重要

空间三维场景理解对于各种下游任务非常重要，如通过AR设备投影坐在餐桌旁的同事。WyPR为模型提供了空间三维理解能力，同时无需在点级标记训练场景（这是一个非常耗时的过程）。通过降低训练数据的障碍，在大量的类中实现更细粒度的理解，WyPR可以帮助系统更容易理解空间3D场景。

三维对象的识别（即分割和检测）是实现场景理解的关键步骤。随着消费者水平深度传感器的发展和计算机视觉算法的进步，三维数据采集变得更加方便和便宜。然而，现有的三维识别系统往往无法扩展，因为它们依赖于强大的监督，例如点级语义标签或三维bounding box（都需要耗时获得）。例如，尽管热门的大型室内3D数据集ScanNet仅由20人收集，但注释工作涉及500多名注释者，每次扫描花费近22.3分钟。另外，由于标注成本高，现有的三维目标检测数据集仅限于少量的目标类。这个耗时的标记过程是阻碍社区扩展3D识别的一个主要瓶颈。

工作原理

WyPR首先使用标准的3D深度学习技术从输入中提取点级特征表示。为了获得对象分割，它将每个点分类为一个对象类。WyPR不采用点级监督来训练网络的这一部分，而是采用多实例学习（MIL）和自我监督目标来进行训练。

接下来，为了获得对象bounding box，它利用了一种灵感来自于选择性搜索的全新三维对象建议技术：几何选择性搜索（GSS）。每一个建议都像以前一样使用MIL分类到一个对象类。最后，WyPR强制对分割和检测子系统所做的预测执行一致性，例如检测到的bounding box内的所有点与box级预测保持一致。下图说明了整个过程：

如下面的语义分割结果所示，即便没有见过在点级标记的场景，WyPR都能够很好地检测和分割场景中的对象。另外，WyPR将弱监督三维检测问题的设置形式化，包括基线和基准的设置，而团队相信这将推动这一领域的未来研究。

对于名为《Recognizing 3D spaces without spatial labels》的论文，其主要贡献包括

1. 提出了一种用于弱监督语义分割和目标检测的联合学习的新点云框架，其效果显著优于单任务基线。

2. 针对点云数据，其提出了一种无监督的三维方案生成算法：几何选择搜索（GSS）

3. 弱监督语义分割方面的先进成果，以及设置了弱监督建议生成和目标检测的新基准。

值得一提的是，团队将把WyPR源码托管至GitHub，有兴趣的读者可以先行访问这一介绍性页面。

原文来自映维网：https://news.nweon.com/86018