用于可扩展3D目标检测的伪标注
计算机视觉与模式识别
2021-03-04 v1 机器学习
摘要
为了安全部署自动驾驶车辆，车载感知系统必须在多样化的环境和地域中以高精度可靠工作。在新域中提升此类系统效能的最常见技术之一是收集大型标注数据集，但此类数据集的获取成本极高，尤其是在每个新部署地域都需要带有昂贵3D边界框标注的额外数据时。我们证明，用于3D目标检测的伪标注是利用成本更低且更易获得的无标注数据的有效方式，并能在多种架构、数据增强策略以及标注数据集规模下带来性能提升。总体而言，我们展示了更好的教师模型会带来更好的学生模型，并且我们可以将昂贵的教师模型蒸馏为高效、简单的学生模型。具体而言，我们证明伪标注训练的学生模型可以胜过在3至10倍标注样本量上训练的监督模型。以两年前的架构PointPillars [24]作为学生模型，我们仅通过利用大量伪标注数据便能够达到当前最优精度。最后，我们表明这些学生模型比监督模型更能泛化到仅有未标注数据的新域，使得伪标注训练成为一种有效的无监督域适应形式。
引用
@article{arxiv.2103.02093,
title = {Pseudo-labeling for Scalable 3D Object Detection},
author = {Benjamin Caine and Rebecca Roelofs and Vijay Vasudevan and Jiquan Ngiam and Yuning Chai and Zhifeng Chen and Jonathon Shlens},
journal= {arXiv preprint arXiv:2103.02093},
year = {2021}
}