面向自动驾驶中 3D 占用预测的类别分布引导的主动学习
计算机视觉与模式识别
2026-03-31 v1
摘要
3D 占用预测为安全的自动驾驶提供密集的空间理解。然而，该任务因其体积表示而面临严重的类别不平衡问题，其中安全关键对象（自行车、交通锥、行人）占据的体素数目远少于占主导地位的背景。此外，体素级标注成本高昂，而将资源投入到占主导类的任务则效率低下。为此，我们提出了一种面向自动驾驶数据集中训练样本选择的类别分布引导的主动学习框架。我们的methods 组合了三个互补的准则来选择训练样本。Inter-样本 多样性优先选择其预测类别分布与已标记集合不同的样本，intra-set 多样性防止每个获取周期内的冗余抽样，频率加权不确定性通过对每个样本的类别比例取倒数来加权体素级熵，强调稀有类别。我们通过使用 Occ3D-nuScenes 的地理上不相连的 train/validation 分割来确保评估有效性，该分割减少了 train-validation 重叠，缓解了潜在的地图记忆问题。在仅标注 42.4% 的数据下，我们的框架达到了 26.62 mIoU，与完全监督相当，并在相同预算下超越主动学习基准。我们进一步在 SemanticKITTI 上使用不同的 architecture 进行验证，展示了跨数据集的一致有效性。
引用
@article{arxiv.2603.27294,
title = {Class-Distribution Guided Active Learning for 3D Occupancy Prediction in Autonomous Driving},
author = {Wonjune Kim and In-Jae Lee and Sihwan Hwang and Sanmin Kim and Dongsuk Kum},
journal= {arXiv preprint arXiv:2603.27294},
year = {2026}
}
备注
IEEE RA-L 2026