基于自训练的单目三维目标检测无监督域适应
计算机视觉与模式识别
2022-04-28 v2
摘要
随着深度学习技术的出现和大规模自动驾驶数据集的涌现，单目三维目标检测（Mono3D）取得了前所未有的成功。然而，由于目标域缺乏标签，在实际跨域部署中严重的性能下降仍是一个未被充分研究的挑战。本文首先全面探究了 Mono3D 中域间隙的重要潜在因素，关键观测为由域间几何错位引起的深度偏移问题。随后，我们提出 STMono3D，一种用于 Mono3D 无监督域适应的新型自教学框架。为缓解深度偏移，我们引入几何对齐的多尺度训练策略以解耦相机参数并保证域间几何一致性。在此基础上，我们开发了师生范式以在目标域上生成自适应伪标签。受益于提供 richer 伪标签信息的端到端框架，我们提出质量感知监督策略以考虑实例级伪置信度并提升目标域训练过程的有效性。此外，提出正聚焦训练策略与动态阈值以处理大量 FN 与 FP 伪样本。STMono3D 在所有评估数据集上均取得卓越性能，甚至在 KITTI 3D 目标检测数据集上超越全监督结果。据我们所知，这是首个探索 Mono3D 有效 UDA 方法的研究。
引用
@article{arxiv.2204.11590,
title = {Unsupervised Domain Adaptation for Monocular 3D Object Detection via Self-Training},
author = {Zhenyu Li and Zehui Chen and Ang Li and Liangji Fang and Qinhong Jiang and Xianming Liu and Junjun Jiang},
journal= {arXiv preprint arXiv:2204.11590},
year = {2022}
}