Reliable Student：解决半监督 3D 目标检测中的噪声问题
计算机视觉与模式识别
2024-04-30 v1 机器学习
摘要
当标注数据有限时，半监督 3D 目标检测可以受益于有前景的伪标签技术。然而，尽管近期方法通过基于置信度的过滤来努力提高伪标签质量，但它们忽略了训练过程中噪声伪标签的影响。在本文中，我们研究了噪声伪标签对基于 IoU 的目标分配的影响，并提出了 Reliable Student 框架，该框架结合了两种互补的方法来减少错误。首先，它涉及一种类别感知的目标分配策略，该策略减少了困难类别中的假阴性分配。其次，它包括一种可靠性加权策略，该策略抑制了假阳性分配错误，同时也处理了第一步中剩余的假阴性。可靠性权重是通过查询教师网络对学生生成的提议的置信度分数来确定的。我们的工作在半监督设置下，在 KITTI 3D 目标检测点云基准上超越了先前的最先进水平。在 1% 标注数据上，尽管只有 37 个标注样本可用，我们的方法在行人类别上实现了 6.2% 的 AP 提升。在 2% 的设置下，提升变得显著，行人和骑行者类别分别实现了 6.0% AP 和 5.7% AP 的提升。
引用
@article{arxiv.2404.17910,
title = {Reliable Student: Addressing Noise in Semi-Supervised 3D Object Detection},
author = {Farzad Nozarian and Shashank Agarwal and Farzaneh Rezaeianaran and Danish Shahzad and Atanas Poibrenski and Christian Müller and Philipp Slusallek},
journal= {arXiv preprint arXiv:2404.17910},
year = {2024}
}
备注
Accepted at CVPR Workshop L3D-IVU 2023. Code: https://github.com/fnozarian/ReliableStudent