基于灵活性聚合的跨数据集 3D 目标检测无监督域适应伪标签精炼
计算机视觉与模式识别
2024-05-01 v1 人工智能
摘要
近期的自训练技术在 3D 目标检测无监督域适应 (3D UDA) 中取得了显著的改进。这些技术通常选择伪标签，即 3D 边界框来监督目标域的模型。然而，这种选择过程不可避免地引入不可靠的 3D 边界框，其中 3D 点无法确定是前景还是背景。以往方法通过对这些边界框进行重新加权作为伪标签来缓解此问题，但这些边界框仍可能污染训练过程。为解决此问题，本文提出一种新型伪标签精炼框架。在选择过程中，为提高伪边界框的可靠性，我们提出一种互补数据增强策略：要么删除不可靠边界框内的所有点，要么用高置信度边界框替换。此外，高束数据集中实例的点数显著高于低束数据集，这也会在训练过程中降低伪标签的质量。我们通过生成额外的候选框并在不同域之间对齐 RoI 特征来缓解此问题。实验结果表明，我们的方法有效提升了伪标签的质量，并在六个自动驾驶基准数据集上持续超越了最先进的方法。代码将在 https://github.com/Zhanwei-Z/PERE 提供。
引用
@article{arxiv.2404.19384,
title = {Pseudo Label Refinery for Unsupervised Domain Adaptation on Cross-dataset 3D Object Detection},
author = {Zhanwei Zhang and Minghao Chen and Shuai Xiao and Liang Peng and Hengjia Li and Binbin Lin and Ping Li and Wenxiao Wang and Boxi Wu and Deng Cai},
journal= {arXiv preprint arXiv:2404.19384},
year = {2024}
}
备注
Accepted by CVPR2024