面向主动道路侧 3D 检测的可学习性驱动亚模块优化
计算机视觉与模式识别
2026-01-06 v1
摘要
道路侧感知数据集通常通过同步车辆和道路侧帧对的合作标注构建。然而，实际部署通常需要因硬件和隐私限制而仅标注道路侧数据。即使是人类专家也难以在没有车辆侧数据（图像、LIDAR）的情况下生产准确的标签，这不仅增加了标注难度和成本，还揭示了一个根本性的可学习问题：许多道路侧单视图场景包含远距离、模糊或遮挡的对象，其 3D 属性是模糊的，只能通过交叉检查配对车辆-道路侧帧来可靠地标注。我们将此类情况称为本质上模糊的样本。为了减少对本质上模糊样本的无效标注 effort，同时仍能获得高性能模型，我们转向主动学习。本文聚焦于道路侧单目 3D 目标检测的主动学习，提出一种可学习性驱动框架，用于选择既信息丰富又可靠可标注的场景，抑制本质上模糊的样本，同时确保覆盖。实验表明，我们的方法 LH3D 在 DAIR-V2X-I 数据集上使用仅 25% 的标注预算即可实现对车辆、行人和自行车分别达到 86.06%、67.32% 和 78.67% 的全性能，显著优于基于不确定性的基线。这一结果确认，可学习性对于道路侧 3D 感知至关重要。
引用
@article{arxiv.2601.01695,
title = {Learnability-Driven Submodular Optimization for Active Roadside 3D Detection},
author = {Ruiyu Mao and Baoming Zhang and Nicholas Ruozzi and Yunhui Guo},
journal= {arXiv preprint arXiv:2601.01695},
year = {2026}
}
备注
10 pages, 7 figures. Submitted to CVPR 2026