ALSO：基于占据估计的自动驾驶激光雷达自监督方法
计算机视觉与模式识别
2023-04-05 v3 机器学习
摘要
我们提出一种新的自监督方法，用于预训练处理点云的深层感知模型的主干网络。其核心思想是让模型在一个 pretext task（即采样 3D 点的表面重建）上训练，并将底层潜向量作为感知头的输入。直观而言，若网络仅给定稀疏输入点便能重建场景表面，则它很可能也捕获了部分语义信息，可用于提升实际的感知任务。该原理表述极为简洁，使其易于实现，并广泛适用于执行语义分割或目标检测的大量 3D 传感器与深度网络。事实上，与支持多流管线的大多数对比学习方法不同，它支持单流管线，从而可在有限资源下训练。我们在多个自动驾驶数据集上进行了大量实验，涉及非常不同类型的激光雷达，任务涵盖语义分割与目标检测。结果表明，相较于现有方法，我们的方法能在无任何标注的情况下学习到有用的表征。代码见 https://github.com/valeoai/ALSO
引用
@article{arxiv.2212.05867,
title = {ALSO: Automotive Lidar Self-supervision by Occupancy estimation},
author = {Alexandre Boulch and Corentin Sautier and Björn Michele and Gilles Puy and Renaud Marlet},
journal= {arXiv preprint arXiv:2212.05867},
year = {2023}
}
备注
CVPR 2023