DQS3D：稠密匹配的量化感知半监督三维检测
计算机视觉与模式识别
2023-08-14 v2
摘要
本文研究半监督三维目标检测问题，考虑到杂乱的三维室内场景标注成本高昂，该问题十分重要。我们借助自教学这一稳健且原则性强的框架，其近期已在半监督学习中引发显著进展。尽管该范式对图像级或像素级预测而言十分自然，但将其适配至检测问题会受到候选框匹配问题的挑战。先前方法基于两阶段流程，启发式匹配第一阶段生成的候选框，导致空间上稀疏的训练信号。相比之下，我们提出首个以单阶段方式工作并允许空间稠密训练信号的半监督三维检测算法。这一新设计的一个基本问题是由点到体素离散化引起的量化误差，其不可避免地导致体素域中两个变换视图间的错位。为此，我们推导并实现了实时补偿该错位的闭式规则。我们的结果显著，例如使用20%标注将ScanNet的[email protected]从35.2%提升至48.5%。代码与数据将公开可用。
引用
@article{arxiv.2304.13031,
title = {DQS3D: Densely-matched Quantization-aware Semi-supervised 3D Detection},
author = {Huan-ang Gao and Beiwen Tian and Pengfei Li and Hao Zhao and Guyue Zhou},
journal= {arXiv preprint arXiv:2304.13031},
year = {2023}
}
备注
Accepted to ICCV 2023. Code: https://github.com/AIR-DISCOVER/DQS3D