协作监督的力量：用于增强3D半监督目标检测的多教师框架
计算机视觉与模式识别
2024-06-03 v1
摘要
为确保自动驾驶平台的城市安全驾驶，不仅需要开发高性能的目标检测技术，还需要建立一个多样化且具有代表性的数据集，以捕捉各种城市环境和物体特征。为解决这两个问题，我们构建了一个反映多样化城市环境和物体特征的多类3D LiDAR数据集，并开发了一个基于多教师框架的鲁棒3D半监督目标检测（SSOD）方法。该SSOD框架对相似类别进行分类，并为每个类别分配专门的教师。通过这些类别专门教师之间的协作监督，学生网络变得越来越熟练，从而产生一个高效的目标检测器。我们提出了一种简单而有效的增强技术——基于饼图的点补偿增强（PieAug），使教师网络能够生成高质量的伪标签。在WOD、KITTI和我们自己的数据集上的大量实验验证了我们提出方法的有效性和数据集的质量。实验结果表明，我们的方法在所有数据集上始终优于现有的最先进3D半监督目标检测方法。我们计划在不久的将来在Github仓库中发布我们的多类LiDAR数据集和源代码。
引用
@article{arxiv.2405.20720,
title = {Power of Cooperative Supervision: Multiple Teachers Framework for Enhanced 3D Semi-Supervised Object Detection},
author = {Jin-Hee Lee and Jae-Keun Lee and Je-Seok Kim and Soon Kwon},
journal= {arXiv preprint arXiv:2405.20720},
year = {2024}
}
备注
under review