面向以2D监督进行3D目标检测
高能物理 - 理论
2022-12-29 v2 数学物理
math.MP
摘要
3D目标检测器的巨大进展依赖于大规模数据与3D标注。3D边界框的标注成本极其昂贵，而2D标注则更易且更廉价地收集。本文中，我们引入一种混合训练框架，使我们能够利用海量2D（伪）标签学习视觉3D目标检测器，即便没有3D标注也可行。为突破2D线索的信息瓶颈，我们探索了一个新视角：时序2D监督。我们提出一种时序2D变换，将3D预测与时序2D标签相桥接。通过单应性变换（homography wrapping）与2D框推导两步，将3D预测转换为2D预测以用于监督。在 nuScenes 数据集上的实验显示出强劲结果（仅用25%的3D标注即达到其全监督性能的近90%）。我们希望我们的发现能为利用大量2D标注进行3D感知提供新见解。
引用
@article{arxiv.2211.08286,
title = {U-duality and Courant Algebroid in Exceptional Field Theory},
author = {Rui Sun},
journal= {arXiv preprint arXiv:2211.08286},
year = {2022}
}
备注
minor correction, references added