AD-PT：基于大规模点云数据集的自动驾驶预训练
计算机视觉与模式识别
2023-10-27 v3
摘要
自动驾驶（AD）领域的长期愿景是感知模型能从大规模点云数据集中学习，获得可对不同任务或基准取得良好结果的统一表示。先前工作主要关注自监督预训练流程，即在相同基准上执行预训练与微调，难以实现预训练检查点的性能可扩展性与跨数据集应用。本文首次致力于构建具有多样数据分布的大规模预训练点云数据集，同时从如此多样的预训练数据集中学习可泛化表示。我们将点云预训练任务表述为半监督问题，利用少样本标注与海量未标注点云数据生成统一骨干表示，可直接应用于许多基线模型与基准，解耦AD相关预训练过程与下游微调任务。在骨干预训练期间，通过增强场景与实例级分布多样性并挖掘骨干从未知实例学习的能力，我们在包括Waymo、nuScenes与KITTI在内的一系列下游感知基准上，于PV-RCNN++、SECOND、CenterPoint等不同基线模型下取得显著性能增益。
引用
@article{arxiv.2306.00612,
title = {AD-PT: Autonomous Driving Pre-Training with Large-scale Point Cloud Dataset},
author = {Jiakang Yuan and Bo Zhang and Xiangchao Yan and Tao Chen and Botian Shi and Yikang Li and Yu Qiao},
journal= {arXiv preprint arXiv:2306.00612},
year = {2023}
}
备注
Accepted by NeurIPS 2023. Project page: https://jiakangyuan.github.io/AD-PT.github.io/