面向激光雷达点云的无监督目标检测
计算机视觉与模式识别
2023-11-06 v1 机器人学
摘要
在本文中，我们研究自动驾驶场景中基于3D点云的无监督目标检测问题。我们提出了一种简单而有效的方法，其利用了(i)在点云密集的近距区域进行点聚类，(ii)时间一致性以滤除噪声无监督检测，(iii)CNN的平移等变性将自动标签扩展到远距离，以及(iv)自监督以自我改进。我们的方法OYSTER（通过时空细化进行目标发现，Object Discovery via Spatio-Temporal Refinement）不对数据采集施加约束（例如对同一地点的重复遍历），能够以零样本方式检测目标而无需有监督微调（即使在稀疏、遥远的区域），并在更多轮次的迭代自训练下持续提升。为了更好地衡量自动驾驶场景中的模型性能，我们提出了一种基于碰撞距离、以规划为中心的感知度量。我们证明，在PandaSet和Argoverse 2 Sensor数据集上，我们的无监督目标检测器显著优于无监督基线，显示出自监督与目标先验相结合能够在真实场景中实现目标发现的前景。更多信息请访问项目网站：https://waabi.ai/research/oyster
引用
@article{arxiv.2311.02007,
title = {Towards Unsupervised Object Detection From LiDAR Point Clouds},
author = {Lunjun Zhang and Anqi Joyce Yang and Yuwen Xiong and Sergio Casas and Bin Yang and Mengye Ren and Raquel Urtasun},
journal= {arXiv preprint arXiv:2311.02007},
year = {2023}
}
备注
CVPR 2023