打破SSL-AL屏障：面向3D目标检测的协同半监督主动学习框架
计算机视觉与模式识别
2025-03-25 v2
摘要
为解决LiDAR基3D目标检测中的标注负担，主动学习（AL）方法提供了可行的解决方案。然而，传统的主动学习方法仅依赖少量标记数据训练初始模型进行数据选择，忽略了利用丰富未标记数据潜力。最近尝试将半监督学习（SSL）集成到AL中以利用未标记数据，但面临在有效解决两种范式间冲突方面挑战，导致性能不佳。为解决这一冲突，我们提出了协同半监督主动学习框架，称为S-SSAL。具体而言，从SSL的角度，我们提出了协同伪场景预训练（CPSP）方法，有效地从未标记数据中学习，而不会引入不利影响。从AL的角度，我们设计了协同主动学习（CAL）方法，通过模型级联补充不确定性和多样性方法，充分利用CPSP预训练模型的潜力。在KITTI和Waymo上进行的大量实验表明，S-SSAL框架有效。值得注意的是，在KITTI数据集上，仅使用2%的标记数据，S-SSAL即可实现与在完整数据集上训练的模型相当的性能。代码已发布于https://github.com/LandDreamer/S_SSAL。
引用
@article{arxiv.2501.15449,
title = {Breaking the SSL-AL Barrier: A Synergistic Semi-Supervised Active Learning Framework for 3D Object Detection},
author = {Zengran Wang and Yanan Zhang and Jiaxin Chen and Di Huang},
journal= {arXiv preprint arXiv:2501.15449},
year = {2025}
}