HeAL3D：用于三维目标检测的启发式增强主动学习
计算机视觉与模式识别
2025-05-07 v2
摘要
主动学习已被证明是执行自动驾驶模型训练样本选择的相关方法。特别是，先前关于三维目标检测主动学习的工作表明，在不受控场景下进行样本选择具有挑战性。此外，当前的方法仅关注样本选择问题的理论方面，而忽略了可从三维检测模型的广泛文献和应用中获得的实践见解。在本文中，我们引入了 HeAL（用于三维目标检测的启发式增强主动学习），它将这些启发式特征与定位和分类结合在一起，以向模型训练提供贡献最大的样本。与先前的工作不同，我们的方法集成了诸如物体距离和点数等启发式特征来估计不确定性，从而增强了所选样本在训练检测模型时的有用性。我们在 KITTI 上的定量评估表明，HeAL 呈现出与现有技术（State-of-the-Art）相当的 mAP，并且仅使用 24% 的样本就达到了与全监督基线相同的 mAP。
引用
@article{arxiv.2505.00507,
title = {HeAL3D: Heuristical-enhanced Active Learning for 3D Object Detection},
author = {Esteban Rivera and Surya Prabhakaran and Markus Lienkamp},
journal= {arXiv preprint arXiv:2505.00507},
year = {2025}
}
备注
Accepted in CVPRw2025