采样、裁剪、跟踪：面向城市驾驶 LiDAR 的自监督移动三维目标检测
计算机视觉与模式识别
2022-09-22 v1 机器学习
机器人学
摘要
近年来，深度学习在城市驾驶场景中移动（即具备运动能力）物体检测方面取得了巨大进展。监督方法通常需要标注大型训练集；因此，利用弱监督、半监督或自监督方法以避免此需求引起了极大兴趣，并取得了诸多成功。弱监督与半监督方法需要一定标注，而自监督方法已利用运动等线索完全免除了标注需求。然而，完全无标注通常会使其性能下降，且运动分组中出现的歧义会妨碍其找到准确物体边界。本文提出一种称为 SCT 的新自监督移动物体检测方法。它同时利用运动线索与预期物体尺寸来提升检测性能，并预测稠密的 3D 有向边界框网格以改善物体发现。我们在 KITTI 跟踪基准上显著优于 SOTA 自监督移动物体检测方法 TCR，并在 IoU <= 0.5 时达到仅距全监督 PV-RCNN++ 方法 30% 以内的性能。
引用
@article{arxiv.2209.10471,
title = {Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR},
author = {Sangyun Shin and Stuart Golodetz and Madhu Vankadari and Kaichen Zhou and Andrew Markham and Niki Trigoni},
journal= {arXiv preprint arXiv:2209.10471},
year = {2022}
}