面向统一稀疏监督三维目标检测的类别原型学习
计算机视觉与模式识别
2025-06-16 v2
摘要
室内和室外场景感知对于具身智能都至关重要。然而，当前的稀疏监督三维目标检测方法仅关注室外场景，未考虑室内环境。为此，我们提出了一种面向室内外场景的统一稀疏监督三维目标检测方法，通过学习类别原型来有效利用未标注物体。具体而言，我们首先提出了一种基于原型的物体挖掘模块，将未标注物体挖掘转化为类别原型与未标注特征之间的匹配问题。通过利用最优传输匹配结果，我们为高置信度特征分配原型标签，从而实现未标注物体的挖掘。随后，我们提出了一种多标签协同细化模块，通过伪标签质量控制和原型标签协同来有效恢复漏检目标。实验表明，我们的方法在室内外数据集上每个场景仅一个标注物体的稀疏监督设置下取得了最先进的性能。在每个场景仅有一个标注物体的情况下，我们的方法在ScanNet V2、SUN RGB-D和KITTI上分别达到了全监督检测器约78%、90%和96%的性能，凸显了该方法的可扩展性。代码可在 https://github.com/zyrant/CPDet3D 获取。
引用
@article{arxiv.2503.21099,
title = {Learning Class Prototypes for Unified Sparse Supervised 3D Object Detection},
author = {Yun Zhu and Le Hui and Hang Yang and Jianjun Qian and Jin Xie and Jian Yang},
journal= {arXiv preprint arXiv:2503.21099},
year = {2025}
}
备注
Accepted by CVPR 2025