MEDL-U：基于证据深度学习的具有不确定性感知的三维自动标注
计算机视觉与模式识别
2024-02-16 v3 机器学习
机器人学
摘要
基于深度学习的3D目标检测的进展需要大规模数据集的支撑。然而，这一需求带来了人工标注的挑战，其通常既繁重又耗时。为应对此问题，文献中出现了若干用于3D目标检测的弱监督框架，可自动为无标签数据生成伪标签。尽管如此，这些生成的伪标签含有噪声，且不如人工标注准确。在本文中，我们提出首个通过引入基于证据深度学习（EDL）的不确定性估计框架来解决伪标签中固有歧义的方法。具体而言，我们提出MEDL-U，一种基于MTrans的EDL框架，其不仅生成伪标签，还量化相关不确定性。然而，将EDL应用于3D目标检测存在三个主要挑战：（1）与其他自动标注器相比伪标签质量相对较低；（2）证据不确定性估计过高；（3）缺乏清晰的可解释性以及不确定性在下游任务中的有效利用。我们通过引入不确定性感知的基于IoU的损失、证据感知的多任务损失函数，以及实现用于不确定性精炼的后处理阶段来解决这些问题。我们的实验结果表明，在KITTI val集的所有难度级别上，使用MEDL-U输出训练的概率型检测器均超越使用先前3D标注器输出训练的确定性检测器。此外，与现有3D自动标注器相比，MEDL-U在KITTI官方测试集上取得了最先进（SOTA）结果。
引用
@article{arxiv.2309.09599,
title = {MEDL-U: Uncertainty-aware 3D Automatic Annotation based on Evidential Deep Learning},
author = {Helbert Paat and Qing Lian and Weilong Yao and Tong Zhang},
journal= {arXiv preprint arXiv:2309.09599},
year = {2024}
}
备注
Accepted at ICRA 2024. Code: https://github.com/paathelb/MEDL-U