基于精良教师模型的半监督3D目标检测
计算机视觉与模式识别
2022-07-27 v1
摘要
自动驾驶场景中主导性的基于点云的3D目标检测器严重依赖大量精确标注样本,然而点云中的3D标注极其繁琐、昂贵且耗时。为减少对大量监督的依赖,基于半监督学习(SSL)的方法已被提出。伪标签方法常用于SSL框架,但教师模型的低质量预测严重限制了其性能。本工作中,我们提出一种新的用于半监督3D目标检测的伪标签框架,通过将教师模型增强为具有若干必要设计的精良教师。首先,为提高伪标签的召回率,提出时空集成(STE)模块以生成充足的种子框。其次,为提高召回框的精度,设计基于聚类的框投票(CBV)模块以从聚类的种子框获取聚合投票。这也消除了选择伪标签所需的复杂阈值。此外,为减少训练过程中错误伪标签样本的负面影响,通过考虑逐框对比学习(BCL)提出一种软监督信号。我们的模型在ONCE和Waymo数据集上均验证了有效性。例如在ONCE上,我们的方法将基线显著提升了9.51 mAP。而且,使用一半标注,我们的模型在Waymo上优于使用全标注的预言模型。
引用
@article{arxiv.2207.12655,
title = {Semi-supervised 3D Object Detection with Proficient Teachers},
author = {Junbo Yin and Jin Fang and Dingfu Zhou and Liangjun Zhang and Cheng-Zhong Xu and Jianbing Shen and Wenguan Wang},
journal= {arXiv preprint arXiv:2207.12655},
year = {2022}
}