基于图像的 3D 目标检测中伪标签方法的实证研究
计算机视觉与模式识别
2022-08-16 v1
摘要
基于图像的 3D 检测是自动驾驶感知系统不可或缺的组成部分。然而，它仍受限于不尽如人意的表现，其主要原因之一是训练数据有限。不幸的是，在 3D 空间中标注目标极其耗费时间与资源，这使得任意扩展训练集十分困难。在这项工作中，我们关注半监督方式，并探索一种更廉价的替代方案即伪标签（pseudo-labeling）的可行性，以利用无标注数据。为此，我们进行了大量实验，以探究在不同设置下伪标签能否为基线模型提供有效的监督。实验结果不仅证明了伪标签机制对于基于图像的 3D 检测的有效性（例如在单目设置下，我们在 KITTI-3D 测试集的中等难度级别上无需额外技巧即达到了 20.23 AP，将基线模型提升了 6.03 AP），还展示了若干有趣且值得注意的发现（例如，基于相同训练数据，用伪标签训练的模型表现优于用真值标注训练的模型）。我们希望本工作能为基于图像的 3D 检测领域在半监督设置下提供见解。代码、伪标签和预训练模型将公开可用。
引用
@article{arxiv.2208.07137,
title = {An Empirical Study of Pseudo-Labeling for Image-based 3D Object Detection},
author = {Xinzhu Ma and Yuan Meng and Yinmin Zhang and Lei Bai and Jun Hou and Shuai Yi and Wanli Ouyang},
journal= {arXiv preprint arXiv:2208.07137},
year = {2022}
}
备注
tech report