HyperMODEST：基于置信度分数过滤的自监督三维目标检测
计算机视觉与模式识别
2023-06-05 v2
摘要
当前用于自动驾驶的基于LiDAR的三维目标检测器几乎完全在特定地理区域、特定传感器设置下采集的人工标注数据上训练，难以适应不同域。MODEST是首个无需任何标签训练三维目标检测器的工作。我们的工作HyperMODEST在MODEST之上提出了一种通用方法，可大幅加速自训练过程，且无需在特定数据集上调参。我们通过低置信度分数过滤用于数据增强的中间伪标签。在nuScenes数据集上，我们观察到在IoU=0.25时0-80m范围内AP BEV提升1.6%，在IoU=0.5时0-80m范围内AP BEV提升1.7%，而仅使用MODEST原方法五分之一的训练时间。在Lyft数据集上，我们在第一轮迭代自训练中也观察到相对于基线的提升。我们通过将所提方法与另外两种分数过滤方法（带与不带静态标签保留的伪标签置信度分数过滤）进行比较，探讨了自训练早期阶段高精度与高召回率之间的权衡。本工作的代码与模型可在 https://github.com/TRAILab/HyperMODEST 获取。
引用
@article{arxiv.2304.14446,
title = {HyperMODEST: Self-Supervised 3D Object Detection with Confidence Score Filtering},
author = {Jenny Xu and Steven L. Waslander},
journal= {arXiv preprint arXiv:2304.14446},
year = {2023}
}
备注
Accepted in CRV (Conference on Robots and Vision) 2023