学习自适应伪标签选择用于半监督3D目标检测
计算机视觉与模式识别
2026-04-06 v3
摘要
半监督3D目标检测(SS3DOD)旨在利用无标签数据减少3D标注成本。最近的研究采用伪标签驱动的师生框架并取得显著性能。这些框架的主要挑战在于从教师预测中选择高质量的伪标签。大多数先前方法通过手动设置阈值比较置信度分数来选择伪标签。最新方法要么采用动态阈值,要么通过细化伪标签质量来实现。这些方法仍忽视了对象距离、类别和学习状态等情境信息,且不充分利用网络可用部分信息来评估伪标签质量。本文提出了具有可学习伪标签模块的新型SS3DOD框架,用于自动和自适应地选择高质量伪标签。我们方法在教师输出层引入两个网络,通过得分融合可靠评估伪标签质量,并确定情境自适应阈值,这些阈值由伪标签与GT边界框对齐监督。此外,我们引入软监督策略,可在伪标签噪声下稳健学习,帮助学生网络优先选择干净标签而非噪声标签。在KITTI和Waymo数据集上的大量实验表明我们方法的有效性。该方法在保持更广泛上下文覆盖和更高召回率的同时,选择高精度伪标签,显著改进了相关SS3DOD方法。
引用
@article{arxiv.2509.23880,
title = {Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection},
author = {Taehun Kong and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:2509.23880},
year = {2026}
}
备注
Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026