通过回收边界框实现自监督单目三维目标检测
计算机视觉与模式识别
2022-06-28 v1 机器学习
摘要
现代目标检测架构正转向采用自监督学习（SSL）以借助相关 pretext task 提升检测性能。单目三维目标检测的 pretext task 尚乏文献探讨。本文研究以标注随机窗口作为 pretext task 来应用既有的自监督边界框回收方法。三维检测器的分类头被训练用于对含有不同比例真实物体的随机窗口进行分类，从而应对前景-背景不均衡。我们以 RTM3D 检测模型为基线，在应用与不应用数据增强下评估该 pretext task。我们展示了借助 SSL 相较基线在 mAP 3D 上提升 2-3%、在 BEV 分数上提升 0.9-1.5%。我们提出逆类别频率重加权（ICFW）mAP 分数，用以凸显在具有长尾的类别不均衡数据集中低频类检测的提升。我们在 KITTI 验证集上展示了 ICFW 的 mAP 3D 与 BEV 分数提升以考量类别不均衡。我们看到应用 pretext task 后 ICFW 指标提升 4-5%。
引用
@article{arxiv.2206.12738,
title = {Self-Supervised 3D Monocular Object Detection by Recycling Bounding Boxes},
author = {Sugirtha T and Sridevi M and Khailash Santhakumar and Hao Liu and B Ravi Kiran and Thomas Gauthier and Senthil Yogamani},
journal= {arXiv preprint arXiv:2206.12738},
year = {2022}
}
备注
Published at ICCVW-SSLAD 2021. arXiv admin note: substantial text overlap with arXiv:2104.10786