Bi3D：面向跨域三维目标检测的双域主动学习
计算机视觉与模式识别
2023-03-13 v1
摘要
无监督域适应（UDA）技术近来已在三维跨域任务中得到探索。尽管取得了初步进展，但基于 UDA 的三维模型与利用完全标注目标域训练的有监督模型之间的性能差距仍然很大。这促使我们考虑以最小代价筛选部分但重要的目标数据并对其进行标注，以在高性能与低标注成本之间实现良好权衡。为此，我们提出一种双域主动学习方法，即 Bi3D，来解决跨域三维目标检测任务。Bi3D 首先开发了一种域感知的源域采样策略，从源域中识别类目标域样本，以避免模型受到不相关源数据的干扰。随后开发了基于多样性的目标域采样策略，选取信息量最大的目标域子集，以尽可能少的标注预算提升模型对目标域的适应性。实验在典型的跨域适应场景下进行，包括跨激光雷达线束、跨国别与跨传感器，其中 Bi3D 相比基于 UDA 的工作（84.29%）取得了颇具前景的目标域检测精度（KITTI 上 89.63%），甚至超越了在完整标注目标域集合上训练的检测器（88.98%）。我们的代码见：https://github.com/PJLabADG/3DTrans。
引用
@article{arxiv.2303.05886,
title = {Bi3D: Bi-domain Active Learning for Cross-domain 3D Object Detection},
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:2303.05886},
year = {2023}
}
备注
Accepted by CVPR2023; Code is available at https://github.com/PJLabADG/3DTrans