探索基于多样性的主动学习用于自动驾驶中的3D目标检测
计算机视觉与模式识别
2024-10-23 v3
摘要
3D目标检测因其在自动驾驶车辆(AV)中的巨大潜力近来备受关注。基于深度学习的检测器依赖于大规模标注数据集的可用性，而此类数据集的编译尤其对于3D边界框标注而言耗时且昂贵。本工作中，我们将基于多样性的主动学习(AL)作为一种潜在方案来减轻标注负担。在有限标注预算下，仅自动选择信息量最大的帧和物体供人工标注。技术上，我们利用AV数据集中提供的多模态信息，提出一种在所选样本中强制空间与时间多样性的新型获取函数。我们在现实标注成本度量下将所提方法与其他AL策略进行基准比较，其中标注一帧和一个3D边界框的现实成本均被纳入考量。我们在nuScenes数据集上证明了所提方法的有效性，并表明其显著优于现有AL策略。代码见 https://github.com/Linkon87/Exploring-Diversity-based-Active-Learning-for-3D-Object-Detection-in-Autonomous-Driving
引用
@article{arxiv.2205.07708,
title = {Exploring Diversity-based Active Learning for 3D Object Detection in Autonomous Driving},
author = {Jinpeng Lin and Zhihao Liang and Shengheng Deng and Lile Cai and Tao Jiang and Tianrui Li and Kui Jia and Xun Xu},
journal= {arXiv preprint arXiv:2205.07708},
year = {2024}
}
备注
IEEE Transactions on Intelligent Transportation Systems. Code is available at https://github.com/Linkon87/Exploring-Diversity-based-Active-Learning-for-3D-Object-Detection-in-Autonomous-Driving