并非所有面均等：半监督 3D 目标检测的定位不确定性估计
计算机视觉与模式识别
2023-12-19 v1
摘要
基于点云的半监督 3D 目标检测旨在利用少量标注数据和大量未标注数据训练检测器。现有方法的核心在于如何利用设计的质量评估准则选取高质量伪标签。然而，这些方法将每个伪边界框视为一个整体，并在训练期间对其每个面赋予同等重要性，由于许多面具有较差的定位质量，这不利于模型性能。此外，现有方法过滤了大量低质量伪标签，而这些标签中也包含一些有助于模型训练的正确回归值。为解决上述问题，我们提出了一种用于半监督 3D 目标检测的面感知框架，包含三个关键设计：3D 边界框参数化方法、不确定性估计模块和伪标签选择策略。这些模块协同工作，以显式估计每个面的定位质量，并在训练阶段赋予不同级别的重要性。大量实验结果表明，所提方法在不同场景和评估准则下均能持续优于基线模型。此外，我们的方法在三个具有不同标注比例的数据集上取得了 SOTA 性能。
引用
@article{arxiv.2312.10390,
title = {Not Every Side Is Equal: Localization Uncertainty Estimation for Semi-Supervised 3D Object Detection},
author = {ChuXin Wang and Wenfei Yang and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2312.10390},
year = {2023}
}