不确定性感知的自监督 3D 数据关联
计算机视觉与模式识别
2020-08-20 v1 机器人学
摘要
3D 物体跟踪器通常需要使用大量标注数据进行训练，而这类数据收集昂贵且耗时。相反，我们提出通过 3D 物体跟踪器的自监督度量学习来利用海量无标注数据集，重点关注数据关联。无标注数据的大规模标注可通过跨帧的自动物体检测与关联廉价获得。我们展示了如何以原则性方式使用这些自监督标注来学习对 3D 跟踪有效的点云嵌入。我们估计并将自监督跟踪中的不确定性纳入学习，以学习更鲁棒的嵌入，而无需任何标注数据。我们设计嵌入以区分跨帧的物体，并使用不确定性感知的自监督训练学习它们。最后，我们展示了它们执行跨帧准确数据关联的能力，以实现有效且准确的 3D 跟踪。项目视频与代码见 https://jianrenw.github.io/Self-Supervised-3D-Data-Association。
引用
@article{arxiv.2008.08173,
title = {Uncertainty-aware Self-supervised 3D Data Association},
author = {Jianren Wang and Siddharth Ancha and Yi-Ting Chen and David Held},
journal= {arXiv preprint arXiv:2008.08173},
year = {2020}
}