Open-CRB：面向三维目标检测的开世界主动学习
计算机视觉与模式识别
2024-09-24 v2 人工智能
机器学习
摘要
基于 LiDAR 的三维目标检测近年来通过主动学习（AL）取得了显著进展，通过在策略性选取的少量点云上训练即可获得令人满意的性能。然而，在可能包含未知或新颖物体的流式点云实际部署中，当前 AL 方法捕捉此类物体的能力仍未被探索。本文研究一项更实用且更具挑战性的研究任务：面向三维目标检测的开世界主动学习（OWAL-3D），旨在获取带有新概念的信息性点云。为应对该挑战，我们提出一种简单而有效的策略，称为开放标签简洁性（OLC），以最小标注成本挖掘新颖三维物体。我们的实证结果表明，OLC 仅需一轮选取即可成功使三维检测模型适应开世界场景。随后任何通用 AL 策略均可与所提 OLC 集成，以高效解决 OWAL-3D 问题。基于此，我们引入 Open-CRB 框架，其将 OLC 与我们初步的、专为三维目标检测设计的 AL 方法 CRB 无缝结合。我们开发了全面的代码库以便于复现与未来研究，支持 15 种基线方法（即主动学习、分布外检测与开世界检测）、2 类现代三维检测器（即单阶段 SECOND 与两阶段 PV-RCNN）以及 3 个基准三维数据集（即 KITTI、nuScenes 与 Waymo）。大量实验证明，与最先进的基线相比，所提 Open-CRB 在以极低标注成本识别新颖与已知类别方面展现出优越性与灵活性。源代码见 \url{https://github.com/Luoyadan/CRB-active-3Ddet/tree/Open-CRB}。
引用
@article{arxiv.2310.10391,
title = {Open-CRB: Towards Open World Active Learning for 3D Object Detection},
author = {Zhuoxiao Chen and Yadan Luo and Zixin Wang and Zijian Wang and Xin Yu and Zi Huang},
journal= {arXiv preprint arXiv:2310.10391},
year = {2024}
}