面向无标注多视角三维行人检测的可泛化 AI：技术与性能分析
计算机视觉与模式识别
2023-08-10 v1
摘要
我们揭示了如何利用可泛化 AI 改进无标注目标场景中的多视角三维行人检测。提升对新场景泛化能力的一种途径是自动标注目标数据，随后将其用于训练检测器模型。在此背景下，我们研究了两种自动标注目标数据的方法：使用有监督检测器的伪标注，以及使用未经训练检测器（可开箱即用、无需任何训练）的自动标注。我们采用一种利用自动标注流程优化检测器模型的训练框架。该框架涵盖不同的训练集/模式以及多轮自动标注策略。我们在公开可用的 WILDTRACK 与 MultiviewX 数据集上进行分析。结果表明，通过使用基于未经训练检测器的自动标注方法，我们可获得优于直接使用该未经训练检测器或使用既有标注源数据集训练的检测器的结果。当分别以 WILDTRACK 与 MultiviewX 作为目标数据集时，其 MODA 比现有最佳无标注方法分别高出约 4% 与 1%。
引用
@article{arxiv.2308.04515,
title = {Toward unlabeled multi-view 3D pedestrian detection by generalizable AI: techniques and performance analysis},
author = {João Paulo Lima and Diego Thomas and Hideaki Uchiyama and Veronica Teichrieb},
journal= {arXiv preprint arXiv:2308.04515},
year = {2023}
}
备注
Accepted to SIBGRAPI 2023