KECOR：面向主动三维目标检测的核心编码率最大化方法
计算机视觉与模式识别
2023-07-18 v1 人工智能
机器学习
摘要
在自动驾驶中实现可靠的基于LiDAR的目标检测器至关重要，但其成功依赖于获取大量精确的3D标注。主动学习（AL）旨在通过少用标签且能达到与全监督学习相当性能的算法来减轻标注负担。尽管AL已展现出前景，当前方法优先选择具有高不确定性和/或多样性的未标注点云，导致需标注更多实例且计算效率降低。本文采用一种新颖的核编码率最大化（KECOR）策略，从信息论视角识别最具信息量的点云以获取标注。我们应用贪心搜索来寻求能最大化编码潜在特征所需最少比特数的期望点云。为从模型角度确定所选样本的独特性和信息量，我们构建3D检测器头部的代理网络，并计算所有代理层Jacobian的外积以形成经验神经正切核（NTK）矩阵。为兼顾单阶段（如SECOND）和两阶段检测器（如PVRCNN），我们进一步引入分类熵最大化，并很好地权衡检测性能与为标注所选边界框总数。在两个3D基准和一个2D检测数据集上的大量实验证明了所提方法的优越性和通用性。结果表明，与最先进AL方法相比，在不损害检测性能的前提下，边界框级标注成本约降低44%，计算时间减少26%。
引用
@article{arxiv.2307.07942,
title = {KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection},
author = {Yadan Luo and Zhuoxiao Chen and Zhen Fang and Zheng Zhang and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2307.07942},
year = {2023}
}
备注
To appear in ICCV 2023