SESS:自集成半监督三维目标检测
计算机视觉与模式识别
2021-03-18 v3
摘要
现有基于点云的三维目标检测方法的性能严重依赖于大规模高质量三维标注。然而,此类标注的采集往往繁琐且昂贵。半监督学习是缓解数据标注问题的良好替代方案,但在三维目标检测中很大程度上未被探索。受近期自集成技术在半监督图像分类任务中成功的启发,我们提出SESS,一种自集成半监督三维目标检测框架。具体而言,我们设计了一套完备的扰动方案,以增强网络在無标注及全新未见数据上的泛化能力。此外,我们提出三种一致性损失,用以强制两组预测三维目标候选框之间的一致性,从而促进物体结构与语义不变性的学习。在SUN RGB-D与ScanNet数据集上开展的广泛实验证明了SESS在归纳与转导半监督三维目标检测中的有效性。我们的SESS仅使用50%标注数据即取得了与最先进全监督方法相竞争的性能。我们的代码见https://github.com/Na-Z/sess。
引用
@article{arxiv.1912.11803,
title = {SESS: Self-Ensembling Semi-Supervised 3D Object Detection},
author = {Na Zhao and Tat-Seng Chua and Gim Hee Lee},
journal= {arXiv preprint arXiv:1912.11803},
year = {2021}
}
备注
CVPR 2020 Oral