近期，西南交通大學(xué)李天瑞教授、李崇壽副教授團(tuán)隊(duì)提出了一種新的層次化深度學(xué)習(xí)（DHL，Deep Hierarchical Learning）框架，創(chuàng)新性地從數(shù)學(xué)方面明確了“層次”的本質(zhì)，并證明層內(nèi)預(yù)測與層間一致性在理論的相通性。

該框架用于 3D 點(diǎn)云語義分割，通過模擬人類認(rèn)知的層次結(jié)構(gòu)，顯著提高了 3D 數(shù)據(jù)的解析能力。該論文第一作者李崇壽對 DeepTech 表示：“我們想讓機(jī)器像人類一樣看世界，DHL 框架的本質(zhì)是給機(jī)器裝一套分層看世界的邏輯，并填補(bǔ)了 3D 層級學(xué)習(xí)的數(shù)學(xué)空白?！?/p>

該技術(shù)在自動駕駛、城市規(guī)劃、機(jī)器人導(dǎo)航、數(shù)字孿生和具身智能等領(lǐng)域具有潛在的應(yīng)用前景，并為未來三維視覺技術(shù)的實(shí)現(xiàn)提供了可能性。

自動駕駛的激光雷達(dá)需要快速地看得遠(yuǎn)且看得細(xì)，從層次的角度來看，需要在遠(yuǎn)距離和細(xì)膩度方面都看得準(zhǔn)。將影響自動駕駛安全的場景和層次結(jié)構(gòu)結(jié)合，有助于提高識別的細(xì)膩度和效率，進(jìn)而驗(yàn)證自動駕駛的安全性。

盡管在數(shù)字孿生和三維重建領(lǐng)域已有層次和界面定義，但可基于該框架進(jìn)一步推動其更高效地發(fā)展。未來，該技術(shù)有望通過無人機(jī)采集數(shù)據(jù)，結(jié)合地面測量技術(shù)，實(shí)現(xiàn)從自動識別對象到自動化輸出多層次語義信息的完整流程。

此外，該框架還有望用于具身智能場景，比如在家庭環(huán)境中，存在幾何相似但語義差異性大的物品，使用層次結(jié)構(gòu)有助于提高識別的準(zhǔn)確性，實(shí)現(xiàn)“先認(rèn)大類，再找細(xì)類”的交互。

圖丨李崇壽（李崇壽）

人類能看到很遠(yuǎn)的地方，也能細(xì)致觀察近處的物品，原因在于人類語言層次結(jié)構(gòu)強(qiáng)。然而，在 AI 領(lǐng)域由于層次化認(rèn)知沒有被充分研究，其面臨忽略天然關(guān)聯(lián)、無法應(yīng)對多粒度需求以及無法區(qū)分“幾何相似但語義不同”歧義等問題。

研究團(tuán)隊(duì)旨在構(gòu)建一種新的學(xué)習(xí)框架。他們首次從概率角度定義了“層級一致性”，例如模型預(yù)測“某個(gè)點(diǎn)是汽車”（概率 90%），那它屬于其父類（如交通工具）的概率則一定大于等于 90%。

另一方面，研究人員還開發(fā)了聚合矩陣用于分類索引自動校準(zhǔn)層級關(guān)系，在不需要人工調(diào)參前提下，能夠自動地融合層次間的一致性，明確子類所屬于的大類。需要了解的是，這并不是簡單地構(gòu)建標(biāo)準(zhǔn)尺度，還突破了傳統(tǒng)只能定性分析的局限性。

李崇壽進(jìn)一步指出，這種一致性包含兩方面：一是“屬于子集則必屬于父集”，二是“不屬于父集則必不屬于子集”。通過聚合矩陣的方法，將這兩方面自動融合到模型中。

（IJCV）

為解決精度和效率難題，研究團(tuán)隊(duì)設(shè)計(jì)了兩個(gè)模塊：在層次嵌入融合模塊（HEFM）中，分別“自上而下融合”和“自下而上融合”地建立了信息通道，并且該模塊可嵌入到任何 3D 分割模型中；在自動生成類別層級的模塊中，先用視覺語言模型讀懂類別含義，再把這些類別歸好類，從而讓模型實(shí)現(xiàn)自動編目錄。

研究人員在多個(gè)具有層次注釋的三維場景數(shù)據(jù)集上驗(yàn)證了 DHL 框架的有效性。實(shí)驗(yàn)結(jié)果顯示，相比于傳統(tǒng)的單層分類器方法，DHL 在所有層次上的平均交并比（mIoU）和總體準(zhǔn)確率上均獲得了提升。

例如，在 Campus3D 數(shù)據(jù)集的校園地面細(xì)分案例中，傳統(tǒng)方法會將校園里的房屋屋頂標(biāo)成“地面”，DHL 能精準(zhǔn)標(biāo)成屋頂，還能關(guān)聯(lián)到建筑物大類；在 ScanNet200 數(shù)據(jù)集，DHL 利用層級關(guān)聯(lián)把細(xì)類分準(zhǔn)，椅子、桌子的分割精度比傳統(tǒng)方法高 8%-12%；在 PartNet 的家電零件細(xì)分中，DHL 將冰箱的分割 mIoU 提升到 52.7%。

圖丨 Campus3D 中的類層級示例（IJCV）

“我們第一次明確回答了層次的定義。與傳統(tǒng)僅追求預(yù)測更高精度的方法不同的是，我們通過理論保障了模型在層次結(jié)構(gòu)上的內(nèi)在一致性，使其既能高效構(gòu)建層次，又能在不同模型中泛化使用?！崩畛鐗郾硎?。

相關(guān)論文以《面向三維語義分割的深度層次學(xué)習(xí)》（Deep Hierarchical Learning for 3D Semantic Segmentation）為題發(fā)表在計(jì)算機(jī)視覺領(lǐng)域頂刊 International Journal of Computer Vision（IJCV）[1]。西南交通大學(xué)李崇壽副教授是第一作者，香港城市大學(xué)研究助理教授李欣科是通訊作者。

圖丨相關(guān)論文（IJCV）

未來，研究團(tuán)隊(duì)將繼續(xù)在幾何和空間領(lǐng)域細(xì)化層次學(xué)習(xí)的理論。此外，他們還打算進(jìn)一步拓展到時(shí)間維度（4D 維度），有望在動態(tài)情況下，既跟蹤物理位置變化，也保持層次結(jié)構(gòu)的一致性。

參考資料：

1.https://doi.org/10.1007/s11263-025-02387-6

運(yùn)營/排版：何晨龍