基于转换等变性的通道增强用于半监督 3D 对象检测

准确的 3D 对象检测对于自动驾驶车辆和机器人安全有效地导航和与环境交互至关重要。同时，3D 检测器的性能依赖于数据规模和标注工作，这些工作成本高昂。因此，随着使用有限标注数据训练的需求不断增长。我们探索一种新颖的教师-学生框架，利用通道增强进行 3D 半监督对象检测。教师-学生 SSL 通常采用弱增强用于教师，强增强用于学生。本文对点云应用多个通道增强到两个网络中，使用转换等变性检测器（TED）。TED 允许我们探索点云上不同增强组合并高效聚合多通道转换等变性特征。在原则上，通过为教师网络采用固定通道增强，学生可以在可靠的伪标签上进行稳定训练。采用强通道增强可丰富数据的多样性，促进对变换的鲁棒性并增强学生网络的泛化性能。我们使用 SOTA 分层监督作为基线并适应其双阈值用于 TED，称为通道 IoU 一致性。我们使用 KITTI 数据集评估该方法，显著超越了 SOTA 3D 半监督对象检测模型。