利用预训练3D目标检测模型实现快速真值生成
机器学习
2018-07-18 v1 人工智能
机器学习
摘要
由于生成标注所需的工作量，自动驾驶的3D目标检测器训练一直受限于小规模数据集。降低任务复杂度并减少标注人员的任务切换次数是减少生成3D边界框标注所需精力和时间的关键。本文提出一种新颖的真值生成方法，将人类监督与预训练神经网络结合，以生成逐实例的3D点云分割、3D边界框和类别标注。标注人员提供物体锚点点击，其作为种子在3D中生成实例分割结果。随后属于每个实例的点被用于回归物体质心、边界框尺寸和物体朝向。我们提出的标注方案需要低30倍的人工标注时间。我们使用KITTI 3D目标检测数据集来评估标注方案的效率和质量。我们还在来自Autonomoose自动驾驶车辆的先前未见过的数据上测试了该方案，以展示网络的泛化能力。
引用
@article{arxiv.1807.06072,
title = {Leveraging Pre-Trained 3D Object Detection Models For Fast Ground Truth Generation},
author = {Jungwook Lee and Sean Walsh and Ali Harakeh and Steven L. Waslander},
journal= {arXiv preprint arXiv:1807.06072},
year = {2018}
}