基于 LiDAR 引导半监督主动学习的单目 3D 目标检测
计算机视觉与模式识别
2023-07-18 v1
摘要
我们提出一种新颖的带 LiDAR 引导(MonoLiG)的单目 3D 目标检测半监督主动学习(SSAL)框架,其在模型开发中利用所采集数据的全部模态。我们利用 LiDAR 引导数据选择与单目 3D 检测器的训练,且在推理阶段不引入任何额外开销。训练时,我们借助半监督学习中 LiDAR 教师、单目学生跨模态框架,将未标注数据的信息蒸馏为伪标签。为处理传感器特性差异,我们提出基于数据噪声的加权机制,以降低 LiDAR 模态向单目传播噪声的影响。对于选取哪些样本标注以提升模型性能,我们提出与训练目标一致的传感器一致性选择分数。在 KITTI 与 Waymo 数据集上的大量实验结果验证了我们框架的有效性。特别地,我们的选择策略持续优于最先进的主动学习基线,在标注成本上实现高达 17% 的更优节省率。我们的训练策略在 KITTI 3D 与鸟瞰图(BEV)单目目标检测官方基准中登顶,将 BEV 平均精度(AP)提升 2.02。
引用
@article{arxiv.2307.08415,
title = {Monocular 3D Object Detection with LiDAR Guided Semi Supervised Active Learning},
author = {Aral Hekimoglu and Michael Schmidt and Alvaro Marcos-Ramiro},
journal= {arXiv preprint arXiv:2307.08415},
year = {2023}
}