3DIoUMatch：利用IoU预测进行半监督三维目标检测
计算机视觉与模式识别
2021-07-07 v3
摘要
三维目标检测是一项重要但要求很高的任务，严重依赖难以获取的3D标注。为减少所需监督量，我们提出3DIoUMatch，一种适用于室内与室外场景的新型半监督三维目标检测方法。我们利用师生互学习框架，以伪标签的形式将信息从有标签训练集传播到无标签训练集。然而，由于任务复杂度高，我们观察到伪标签存在显著噪声，因此不能直接使用。为此，受FixMatch启发，我们引入基于置信度的过滤机制。我们根据预测的目标性和类别概率设定置信度阈值来过滤低质量伪标签。虽然有效，但我们观察到这两项度量不足以刻画定位质量。因此我们提出使用估计的3D IoU作为定位度量，并设定类别感知的自适应阈值来过滤定位不佳的候选框。我们在室内数据集上采用VoteNet作为主干检测器，而在自动驾驶数据集KITTI上使用PV-RCNN。我们的方法在所有标注比例下（包括全标注设定）于ScanNet和SUN-RGBD基准上均以显著幅度持续改进最先进方法。例如，在ScanNet上仅使用10%标注数据训练时，3DIoUMatch相较先前最佳方法在[email protected]上绝对提升7.7%，在[email protected]上绝对提升8.5%。在KITTI上，我们首次展示了半监督三维目标检测，且我们的方法在不同标注比例与类别下超越全监督基线1.8%至7.6%。
引用
@article{arxiv.2012.04355,
title = {3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object Detection},
author = {He Wang and Yezhen Cong and Or Litany and Yue Gao and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:2012.04355},
year = {2021}
}
备注
CVPR 2021