3DSFLabelling：通过伪自动标注提升 3D 场景流估计
计算机视觉与模式识别
2024-03-04 v2
摘要
从 LiDAR 点云中学习 3D 场景流面临诸多困难，包括从合成数据集到真实场景的泛化能力差、真实世界 3D 标签稀缺以及在真实稀疏 LiDAR 点云上性能不佳。我们提出了一种从自动标注角度出发的新方法，旨在为真实世界的 LiDAR 点云生成大量 3D 场景流伪标签。具体而言，我们利用刚体运动假设来模拟自动驾驶场景中潜在的物体级刚体运动。通过更新多个锚框的不同运动属性，获得了整个场景的刚体运动分解。此外，我们开发了一种针对全局和局部运动的新型 3D 场景流数据增强方法。通过基于增强的运动参数完美合成目标点云，我们轻松获得了大量与真实场景高度一致的点云中的 3D 场景流标签。在包括 LiDAR KITTI、nuScenes 和 Argoverse 在内的多个真实世界数据集上，我们的方法无需人工标注即可超越所有先前的监督和无监督方法。令人印象深刻的是，我们的方法在 LiDAR KITTI 数据集上将 EPE3D 指标降低了十倍，从 降至仅 的误差。
引用
@article{arxiv.2402.18146,
title = {3DSFLabelling: Boosting 3D Scene Flow Estimation by Pseudo Auto-labelling},
author = {Chaokang Jiang and Guangming Wang and Jiuming Liu and Hesheng Wang and Zhuang Ma and Zhenqiang Liu and Zhujin Liang and Yi Shan and Dalong Du},
journal= {arXiv preprint arXiv:2402.18146},
year = {2024}
}
备注
Accepted by CVPR2024! 10 pages, 6 figures