用于三维半监督目标检测的分层监督与混洗数据增强
计算机视觉与模式识别
2023-04-05 v1
摘要
最先进的三维目标检测器通常在带有高质量三维标注的大规模数据集上训练。然而，此类三维标注往往昂贵且耗时，在实际应用中可能不切实际。一种自然的补救方法是采用半监督学习（SSL），利用少量有标注样本和大量无标注样本。当前基于伪标签的SSL目标检测方法主要采用师生框架，以单一固定阈值策略生成监督信号，在指导学生网络训练时不可避免地带来混淆监督。此外，典型师生框架中点云的数据增强过于薄弱，仅包含基础下采样和翻转平移（即旋转和缩放），阻碍了特征信息的有效学习。因此，我们通过引入一种新颖的分层监督与混洗数据增强（HSSDA）方法来解决这些问题，这是一种简单而有效的师生框架。教师网络通过设计动态双阈值策略为学生网络生成更合理的监督。此外，设计了混洗数据增强策略以增强学生网络的特征表示能力。大量实验表明，HSSDA在不同数据集上持续优于近期最先进的方法。代码将发布于 https://github.com/azhuantou/HSSDA。
引用
@article{arxiv.2304.01464,
title = {Hierarchical Supervision and Shuffle Data Augmentation for 3D Semi-Supervised Object Detection},
author = {Chuandong Liu and Chenqiang Gao and Fangcen Liu and Pengcheng Li and Deyu Meng and Xinbo Gao},
journal= {arXiv preprint arXiv:2304.01464},
year = {2023}
}
备注
Accepted by CVPR2023