基于单类监督的多类三维目标检测
计算机视觉与模式识别
2022-05-13 v1 机器人学
摘要
尽管许多机器人应用需要多类三维检测器，但使用完全标注数据集训练它们的标注成本可能很高。一种替代方法是在不相交的数据样本上拥有针对性的单类标注。在本文中，我们感兴趣于在使用这些单类标注数据的同时训练一个多类三维目标检测模型。我们首先详细说明了我们的“单类监督”（SCS）设定相对于部分监督和半监督等相关概念的独特立场。然后，基于训练 Range Sparse Net (RSN) 多类版本的案例研究，我们调整了一系列算法——从监督学习到伪标注——以充分利用我们 SCS 设定的性质，并进行广泛的消融实验以确定最有效的算法和实践。在 Waymo Open Dataset 上的实证实验表明，在 SCS 下的恰当训练可以接近或匹配全监督训练，同时节省标注成本。
引用
@article{arxiv.2205.05703,
title = {Multi-Class 3D Object Detection with Single-Class Supervision},
author = {Mao Ye and Chenxi Liu and Maoqing Yao and Weiyue Wang and Zhaoqi Leng and Charles R. Qi and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2205.05703},
year = {2022}
}
备注
ICRA 2022