面向半监督三维目标检测的学习目标级点云增强器
计算机视觉与模式识别
2022-12-20 v1
摘要
半监督目标检测对于三维场景理解至关重要，因为在点云上获取大规模三维边界框标注既耗时又费力。现有的半监督方法通常采用师生知识蒸馏与增强策略相结合的方式来利用无标注点云。然而，这些方法采用场景级变换的全局增强，因此对于实例级目标检测而言并非最优。在这项工作中，我们提出了一种目标级点云增强器 (OPA)，它为半监督三维目标检测执行局部变换。通过这种方式，得到的增强器旨在强调目标实例而非无关背景，使得增强后的数据对目标检测器训练更有用。在 ScanNet 和 SUN RGB-D 数据集上的大量实验表明，在各种实验设置下，所提出的 OPA 性能优于当前最先进的方法。源代码将在 https://github.com/nomiaro/OPA 上提供。
引用
@article{arxiv.2212.09273,
title = {Learning Object-level Point Augmentor for Semi-supervised 3D Object Detection},
author = {Cheng-Ju Ho and Chen-Hsuan Tai and Yi-Hsuan Tsai and Yen-Yu Lin and Ming-Hsuan Yang},
journal= {arXiv preprint arXiv:2212.09273},
year = {2022}
}
备注
BMVC2022