利用深度学习技术对由LiDAR收集得到的点云进行感知（如分割、检测、跟踪等）已经是当下研究的热点之一。然而，从真实世界中收集得到的数据往往具有极高的复杂度和多样性；同一个街道的路况在一天中的不同时刻尚且复杂多变，更不用说不同街道甚至不同城市的街道间呈现出的变化。因此，收集并标注一个能涵盖各种情境的真实世界数据集是极其困难的。

然而，对于一个基于学习的问题而言，昂贵的数据标注往往是制约模型泛化能力的关键因素。这样一个问题在LiDAR点云上尤为突出：一个由64线LiDAR传感器收集得到的场景点云往往包含超过10万个点，而给收集到的每个点云都打上语义标签（semantic label）所需要的人力和经济成本是及其巨大的。昂贵且耗时的人工标注限制了基于学习的LiDAR点云分割系统的延展性。

来自新加坡国立大学的孔令东博士等人构建了一个基于结构先验的半监督LiDAR点云分割框架，旨在利用自动驾驶场景中的结构先验对点云进行划分与混合，并对分割模型在混合前后的预测进行一致性约束。该框架在主流的自动驾驶数据集nuScenes，SemanticKITTI，以及ScribbleKITTI上取得了优异的分割性能。

12月6日晚7点，「自动驾驶新青年讲座」第13讲邀请新加坡国立大学计算机系在读博士孔令东，主讲《自动驾驶场景下的半监督点云分割》。