通过超参数调优精炼 ONCE 基准
计算机视觉与模式识别
2023-11-23 v1 人工智能
摘要
随着自动驾驶、机器人和增强现实等应用中对 3D 目标检测需求的不断增长，本工作聚焦于点云数据的半监督学习方法评估。得益于 LiDAR 传感器的进步，点云表示无论光照条件如何都能提供可靠且一致的观测。数据标注在 LiDAR 应用中至关重要，利用半监督方法自动化 3D 数据标注是一项关键挑战，有望减少相关工作量并推动高性价比 LiDAR 解决方案的出现。然而，由于无序点云数据固有的稀疏性和不完整的形状阻碍了准确伪标签的生成，其半监督学习任务仍然艰巨。在本研究中，我们通过提出以下问题来考量这些挑战：“未标注数据在多大程度上有助于提升模型性能？”我们表明，先前半监督方法的改进可能并不如之前认为的那么显著。我们的结果表明，对监督模型应用简单的网格搜索超参数调优即可在 ONCE 数据集上取得 SOTA（state-of-the-art）性能，而未标注数据的贡献相比之下则显得较不突出。
引用
@article{arxiv.2311.06054,
title = {Refining the ONCE Benchmark with Hyperparameter Tuning},
author = {Maksim Golyadkin and Alexander Gambashidze and Ildar Nurgaliev and Ilya Makarov},
journal= {arXiv preprint arXiv:2311.06054},
year = {2023}
}