FAST3D：面向 3D 目标检测器的流感知自训练方法
计算机视觉与模式识别
2021-10-19 v1 机器人学
摘要
在自动驾驶领域，自训练被广泛应用于缓解基于 LiDAR 的 3D 目标检测器中的分布偏移。这消除了每当环境发生变化（例如地理位置、传感器设置、天气条件）时对昂贵的高质量标签的需求。然而，最先进的自训练方法大多忽略了自动驾驶数据的时间特性。为了解决这个问题，我们提出了一种流感知自训练方法，能够在连续的 LiDAR 点云上实现 3D 目标检测器的无监督域适应。为了获得可靠的伪标签，我们利用场景流随时间传播检测结果。具体而言，我们引入了一个基于流的多目标跟踪器，它利用流一致性来过滤和细化生成的轨迹。随后，生成的精确伪标签作为模型重训练的基础。从预训练的 KITTI 模型出发，我们在具有挑战性的 Waymo Open Dataset 上进行实验，以证明我们方法的有效性。在没有任何先验目标域知识的情况下，我们的结果显示出对最先进方法的显著改进。
引用
@article{arxiv.2110.09355,
title = {FAST3D: Flow-Aware Self-Training for 3D Object Detectors},
author = {Christian Fruhwirth-Reisinger and Michael Opitz and Horst Possegger and Horst Bischof},
journal= {arXiv preprint arXiv:2110.09355},
year = {2021}
}
备注
Accepted to BMVC 2021