ProposalContrast:基于LiDAR的3D目标检测的无监督预训练
计算机视觉与模式识别
2022-09-05 v2
摘要
现有的无监督点云预训练方法局限于场景级或点/体素级实例判别。场景级方法往往丢失对识别道路物体至关重要的局部细节,而点/体素级方法固有地受限于有限感受野,无法感知大物体或上下文环境。考虑到区域级表示更适用于3D目标检测,我们设计了一种新的无监督点云预训练框架,称为ProposalContrast,通过对比区域提议学习鲁棒的3D表示。具体而言,从每个点云中采样一组详尽的区域提议,对每個提议内的几何点关系进行建模以创建富有表现力的提议表示。为更好地适应3D检测特性,ProposalContrast通过簇间和提议间分离进行优化,即锐化跨语义类别和物体实例的提议表示判别性。ProposalContrast的泛化性和迁移性在各种3D检测器(即PV-RCNN、CenterPoint、PointPillars和PointRCNN)和数据集(即KITTI、Waymo和ONCE)上得到验证。
引用
@article{arxiv.2207.12654,
title = {ProposalContrast: Unsupervised Pre-training for LiDAR-based 3D Object Detection},
author = {Junbo Yin and Dingfu Zhou and Liangjun Zhang and Jin Fang and Cheng-Zhong Xu and Jianbing Shen and Wenguan Wang},
journal= {arXiv preprint arXiv:2207.12654},
year = {2022}
}
备注
Accepted to ECCV 2022. Code: https://github.com/yinjunbo/ProposalContrast