利用半采样提升半监督三维目标检测
计算机视觉与模式识别
2022-11-16 v2
摘要
当前三维目标检测方法严重依赖海量标注。半监督学习可用于缓解此问题。先前的半监督三维目标检测方法直接沿用全监督方法的做法来增强有标注与无标注数据，这是次优的。本文中，我们设计了一种用于半监督学习的数据增强方法，称为 Semi-Sampling（半采样）。具体而言，我们使用真实标签与伪标签分别在标注帧与未标注帧上裁剪真实样本与伪样本，进而可生成真实样本库与伪样本库。在训练教师-学生半监督框架时，我们随机选取真实样本与伪样本加入标注帧与未标注帧，对其形成强数据增强。我们的半采样可视为将 gt-sampling 扩展至半监督学习。方法简洁而有效。我们在 ScanNet、SUN-RGBD 与 KITTI 基准上以大幅优势持续提升最先进方法。例如，在 ScanNet 上仅使用 10% 标注数据训练时，相较于 3DIoUMatch，我们在 [email protected] 与 [email protected] 上分别取得 3.1 mAP 与 6.4 mAP 的提升。在 KITTI 上仅使用 1% 标注数据训练时，我们在汽车、行人与 cyclist 类上分别将 3DIoUMatch 提升 3.5 mAP、6.7 mAP 与 14.1 mAP。代码将公开于 https://github.com/LittlePey/Semi-Sampling。
引用
@article{arxiv.2211.07084,
title = {Boosting Semi-Supervised 3D Object Detection with Semi-Sampling},
author = {Xiaopei Wu and Yang Zhao and Liang Peng and Hua Chen and Xiaoshui Huang and Binbin Lin and Haifeng Liu and Deng Cai and Wanli Ouyang},
journal= {arXiv preprint arXiv:2211.07084},
year = {2022}
}