点云三维目标检测是否总是需要密集标签？
计算机视觉与模式识别
2026-02-12 v2
摘要
当前最先进的三维目标检测方法通常需要大量三维边界框标注用于训练。然而，收集此类大规模密集监督数据集成本高昂。为减少繁琐的数据标注过程，我们提出了一种新颖的稀疏标注框架，其中每场景仅标注一个三维目标。这种稀疏标注策略可显著减轻标注负担，但不精确和不完整的稀疏监督可能严重降低检测性能。为解决此问题，我们开发了SS3D++方法，该方法在统一学习方案中交替改进三维检测器训练和置信的全标注场景生成。以稀疏标注为种子，我们基于设计缺失标注实例挖掘模块和可靠背景挖掘模块，逐步生成置信的全标注场景。与使用相同甚至更多标注成本的最先进弱监督方法相比，我们的方法取得了有竞争力的结果。此外，与最先进的全监督方法相比，我们在KITTI数据集上以约5倍少的标注成本达到同等或更优性能，在Waymo数据集上以约15倍少的标注成本达到其90%的性能。额外的无标签训练场景可进一步提升性能。
引用
@article{arxiv.2403.02818,
title = {Are Dense Labels Always Necessary for 3D Object Detection from Point Cloud?},
author = {Chenqiang Gao and Chuandong Liu and Jun Shu and Fangcen Liu and Jiang Liu and Luyu Yang and Xinbo Gao and Deyu Meng},
journal= {arXiv preprint arXiv:2403.02818},
year = {2026}
}
备注
update