点云语义分割通过为三维数据中的点分配语义标签来增强感知能力，并在自动驾驶、机器人和增强现实等多个领域具有广泛应用。点云语义分割的发展趋势主要集中在通过设计新的深度学习架构来提高分割算法的鲁棒性和准确性。然而，这些判别网络并未考虑类别不平衡所带来的不利影响。训练样本较多的类别往往会获得更好的分割准确性。相反，如果某些类别的训练样本不足，这些类别的高维抽象特征将会在多数类别中被掩盖，从而影响分割性能。

  为了减轻类别不平衡引起的认知偏差，实验室提出了一种新的方法，即子空间原型引导（SPG），用于引导分割网络的训练。具体来说，首先按类别将点云分离成独立的点集，以提供生成特征子空间的初始条件。辅助分支由编码器和投影头组成，将这些点集映射到独立的特征子空间。随后，从当前独立子空间中提取的特征原型结合历史子空间的原型，引导主分支的特征空间，以增强少数类别特征的可区分性。从主分支特征空间派生的原型也用于引导辅助分支的训练，形成一个监督循环，以保持整个网络的一致收敛。在大规模公开基准和收集的实际数据上进行的实验表明，所提出的方法显著提高了分割性能，并超越了最先进的方法。

  该方法是由北京理工大学信息与电子学院博士研究生韩嘉威、刘凯琪助理教授、李伟教授等共同合作完成。论文成果《Subspace Prototype Guidance for Mitigating Class Imbalance in Point Cloud Semantic Segmentation》被接收于计算机视觉顶级会议欧洲计算机视觉国际会议 [European Conference on Computer Vision 2024] (计算机视觉三大顶会之一)。

图1 论文中所提出的子空间原型引导点云语义分割网络训练的框架图