STONE：用于主动3D目标检测的子调和优化框架
计算机视觉与模式识别
2024-11-04 v2
摘要
3D目标检测在自动驾驶和机器人等新兴应用中至关重要。训练精准3D目标检测器的关键在于获得大量基于LiDAR的点云数据。然而，对点云数据标注极具挑战性，因为需要为每个潜在目标提供准确的3D边界框和语义标签。本文提出了一个统一的主动3D目标检测框架，以大幅降低训练3D目标检测器的标注成本。该框架基于针对主动3D目标检测问题的新颖子调和优化 formulation。具体而言，我们解决了主动3D目标检测的两个根本挑战：数据不平衡以及需覆盖数据分布（包括难度级别不同的基于LiDAR的点云数据）。广泛实验表明，我们的方法在计算效率上优于现有主动学习方法，实现了最佳性能。代码已公开于 https://github.com/RuiyuM/STONE。
引用
@article{arxiv.2410.03918,
title = {STONE: A Submodular Optimization Framework for Active 3D Object Detection},
author = {Ruiyu Mao and Sarthak Kumar Maharana and Rishabh K Iyer and Yunhui Guo},
journal= {arXiv preprint arXiv:2410.03918},
year = {2024}
}