TSceneJAL：面向3D目标检测的交通场景联合主动学习框架
计算机视觉与模式识别
2025-04-22 v3
摘要
大多数自动驾驶（AD）数据集在收集和标注过程中存在高额成本，不可避免地产生大量低质量和冗余数据实例，从而影响性能和效率。许多AD系统应用需要结合现有数据集和新收集的数据，构建高质量的训练数据集。本文提出了一种交通场景联合主动学习（TSceneJAL）框架，能够高效地从已标记和未标记数据中抽取出平衡、多样且复杂的交通场景。该框架的创新点主要体现在三方面：1）基于类别熵的场景抽样方案，用于识别包含多目标类的场景，从而缓解主动学习器的类别不平衡问题；2）基于有向图表示和边际化核算法的相似性抽样方案，用于挑选稀疏且多样的场景；3）由混合密度网络预测的不确定性抽样方案，用于选择学习器最难以把握或最复杂的回归结果的实例。最终，这三种抽样方案在联合选择策略中的集成，能够得到一个最优且价值所在的子数据集。在KITTI、Lyft、nuScenes和SUScape数据集上的实验表明，我们的方法在3D目标检测任务上相较于现有领先方法可提升最高达12%。
引用
@article{arxiv.2412.18870,
title = {TSceneJAL: Joint Active Learning of Traffic Scenes for 3D Object Detection},
author = {Chenyang Lei and Weiyuan Peng and Guang Zhou and Meiying Zhang and Qi Hao and Chunlin Ji and Chengzhong Xu},
journal= {arXiv preprint arXiv:2412.18870},
year = {2025}
}