基于伪标签再生与BEVMix的半监督类无关运动预测
计算机视觉与模式识别
2023-12-15 v2
摘要
类无关运动预测方法旨在理解开放世界场景中的运动，对自动驾驶系统具有重要意义。然而，以全监督方式训练高性能模型总是需要大量人工标注数据，而获取这些数据既昂贵又耗时。为了应对这一挑战，我们的研究探索了半监督学习（SSL）在类无关运动预测中的潜力。我们的SSL框架采用基于一致性的自训练范式，使模型能够通过测试时推理生成伪标签，从而从无标签数据中学习。为了提高伪标签的质量，我们提出了一种新颖的运动选择与再生模块。该模块有效地选择可靠的伪标签，并重新生成不可靠的伪标签。此外，我们提出了两种数据增强策略：时间采样和BEVMix。这些策略促进了SSL中的一致性正则化。在nuScenes上进行的实验表明，我们的SSL方法仅利用一小部分标注数据，就能大幅超越自监督方法。此外，我们的方法表现出与弱监督及部分全监督方法相当的性能。这些结果突显了我们的方法在标注成本和性能之间取得良好平衡的能力。代码将在 https://github.com/kwwcv/SSMP 公开。
引用
@article{arxiv.2312.08009,
title = {Semi-Supervised Class-Agnostic Motion Prediction with Pseudo Label Regeneration and BEVMix},
author = {Kewei Wang and Yizheng Wu and Zhiyu Pan and Xingyi Li and Ke Xian and Zhe Wang and Zhiguo Cao and Guosheng Lin},
journal= {arXiv preprint arXiv:2312.08009},
year = {2023}
}
备注
This paper is accepted by AAAI2024