基于双空间困难样本采样的密度引导半监督 3D 语义分割

基于摘要分析。本文针对大规模点云密集标注成本高、逐点对比学习易受离群点影响的问题，提出半监督 3D 语义分割方法 DDSemi，将密度引导的点到锚点对比学习与双空间困难样本采样结合，以改善逐点表征学习。 核心机制是利用聚类中心倾向于位于高密度区域这一观察，从 memory bank 中为每个类别估计锚点，并以点到锚点而非点到点的方式计算对比损失。方法从扰动后的无标签点云对构造 inter-contrast loss，从单个无标签点云构造 intra-contrast loss。作者认为这些损失可增强特征判别性，并隐式约束扰动点云对之间的语义一致性。双空间困难样本采样则关注几何空间与特征空间中稀疏区域的困难点，通过重加权逐点 intra-contrast loss 增加其学习权重。密度估计、锚点更新、扰动方式及损失的具体形式尚未验证。 作者报告，在室内与室外场景数据集的实验中，该方法优于所比较的先进半监督方法；摘要未提供数据集名称、标注比例、划分协议、评价指标或数值，因此不能判断提升幅度及不同设置下的稳定性。实验协议、消融及统计信息尚未验证，代码与复现条件也尚未确认。 平台推测（待验证）：可迁移假设是，在有少量标签和无标签样本的 EEG 分类中，特征密度引导的类别锚点可能比逐样本配对更抗异常样本。可复用候选包括 memory bank、类别锚点和特征空间重加权，但点云几何空间没有直接对应物，需重新定义邻域并验证扰动是否保持 EEG 任务语义。低信噪比、跨被试分布偏移、通道差异及小数据可能使高密度区域反映伪迹或被试身份，而非目标类别。一个可证伪的小实验是在固定跨被试划分与标注比例下，对比逐样本对比、密度锚点对比及加入特征空间重加权的版本，检验低信噪比条件下是否仍有稳定收益；这不是原论文已验证的结果，相关 EEG 工作尚未检索确认。