基于 RGB-D 数据的可迁移半监督三维目标检测
计算机视觉与模式识别
2019-04-24 v1
摘要
我们研究了一种训练方向：仅利用新物体类别的二维边界框标签，同时为这些新类别训练三维目标检测器，并在此过程中从已有类别的三维边界框标签迁移信息。为此，我们提出了一种可迁移的半监督三维目标检测模型，该模型从具有两组不相交物体类别的训练数据中学习三维目标检测网络——一组是具有二维和三维框标签的强类别，另一组是仅有二维框标签的弱类别。具体而言，我们提出了一种松弛重投影损失、框先验损失以及一个框到点云拟合网络，使我们能够在训练时有效地将有用的三维信息从强类别迁移到弱类别，从而令网络在推理时能够检测弱类别中的三维物体。实验结果表明，在 SUN-RGBD 和 KITTI 数据集上，我们提出的算法优于基线方法，并取得了与全监督方法相媲美的有前景结果。此外，我们展示了框到点云拟合网络提升了全监督方法在这两个数据集上的性能。
引用
@article{arxiv.1904.10300,
title = {Transferable Semi-supervised 3D Object Detection from RGB-D Data},
author = {Yew Siang Tang and Gim Hee Lee},
journal= {arXiv preprint arXiv:1904.10300},
year = {2019}
}