协同一致教师模型用于三维时序数据的伪标注
计算机视觉与模式识别
2023-07-06 v2 机器人学
摘要
自动伪标注是挖掘大量无标签时序数据的有力工具。在自动驾驶等安全关键应用中尤为具有吸引力，因其性能要求极高、数据集庞大且人工标注极具挑战性。我们提出利用点云序列，在教师-学生框架下通过训练多个教师（每个教师可获取不同的时序信息）来提升伪标注技术。这组被称为 Concordance 的教师模型，相比标准方法能为学生训练提供更高质量的伪标签。多个教师的输出通过一种新颖的伪标签置信度引导准则进行融合。我们的实验评估聚焦于三维点云领域与城市驾驶场景。我们展示了该方法在三个基准数据集上应用于三维语义分割和三维目标检测的性能。我们的方法仅使用 20% 的人工标签，便优于一些全监督方法。对于训练数据中极少出现的类别，取得了显著的性能提升。
引用
@article{arxiv.2207.06079,
title = {Teachers in concordance for pseudo-labeling of 3D sequential data},
author = {Awet Haileslassie Gebrehiwot and Patrik Vacek and David Hurych and Karel Zimmermann and Patrick Perez and Tomáš Svoboda},
journal= {arXiv preprint arXiv:2207.06079},
year = {2023}
}
备注
This work has been submitted to the IEEE for publication