基于标定相机在2D距离数据中自监督行人检测
计算机视觉与模式识别
2021-06-04 v2 机器人学
摘要
深度学习是2D距离数据中顶尖行人检测器的核心构建模块。然而，可用于训练和测试这些深度网络的标注数据集极少，这可能限制其在新环境或不同LiDAR模型下部署时的性能。我们提出一种方法，利用标定相机上基于图像的检测器（如Faster R-CNN）生成的边界框，自动为基于2D LiDAR的行人检测器生成训练标签（称为伪标签）。通过在JackRabbot数据集上使用DROW3和DR-SPAAM两种检测器模型进行实验，我们表明，使用伪标签训练或微调的自监督检测器优于仅在异源数据集上训练的检测器。结合鲁棒训练技术，自监督检测器的性能接近使用目标数据集人工标注训练的检测器。我们的方法是在部署过程中无需额外标注工作即可改进行人检测器的有效途径，并且我们发布了源代码以支持相关机器人应用。
引用
@article{arxiv.2012.08890,
title = {Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera},
author = {Dan Jia and Mats Steinweg and Alexander Hermans and Bastian Leibe},
journal= {arXiv preprint arXiv:2012.08890},
year = {2021}
}
备注
2021 IEEE International Conference on Robotics and Automation (ICRA)