HACMatch：基于硬度感知课程伪标签的半监督旋转回归
计算机视觉与模式识别
2026-03-24 v1
摘要
从 2D 图像中回归物体的 3D 旋转是具备广泛应用价值的关键且具有挑战性的任务，涉及自动驾驶、虚拟现实和机器人控制等领域。现有的旋转回归模型通常依赖大量标注数据训练，或需要额外信息（如点云或 CAD 模型）。因此，探索仅利用有限标注 2D 图像进行半监督旋转回归极具价值。虽然近期工作 FisherMatch 引入了半监督学习到旋转回归，但其僵化的熵基伪标签过滤机制难以有效区分可靠与不可靠的未标注样本。为此，我们提出了一种基于硬度感知课程学习框架，动态选择伪标签样本，按难易程度有序进行。我们引入了多阶段和自适应课程策略，以取代固定阈值过滤，形成更灵活、硬度感知的机制。此外，我们提出一种专为旋转估计设计的结构化数据增强策略，通过从增强切片拼接复合图像来引入特征多样性，同时保持关键几何完整性。在 PASCAL3D+ 和 ObjectNet3D 上进行的全面实验表明，我们的方法在各种监督和半监督基线上均取得优异成绩，尤其在数据有限的情形下表现突出，验证了课程学习框架和结构化增强方法的有效性。
引用
@article{arxiv.2603.21583,
title = {HACMatch Semi-Supervised Rotation Regression with Hardness-Aware Curriculum Pseudo Labeling},
author = {Mei Li and Huayi Zhou and Suizhi Huang and Yuxiang Lu and Yue Ding and Hongtao Lu},
journal= {arXiv preprint arXiv:2603.21583},
year = {2026}
}
备注
This is an accepted manuscript of an article published in Computer Vision and Image Understanding