UpCycling：无需共享原始级未标注场景的半监督三维目标检测
计算机视觉与模式识别
2023-03-17 v2
摘要
半监督学习（SSL）在自动驾驶中受到越来越多的关注，以减轻三维标注的巨大负担。在本文中，我们提出 UpCycling，一种新颖的用于三维目标检测的 SSL 框架，其零额外原始级点云：从去标识化的未标注中间特征（即 smashed data）中学习以保护隐私。由于这些中间特征由推理流水线自然产生，在自动驾驶车辆上无需额外计算。然而，为未标注特征级场景生成有效的一致性损失是一个关键挑战。最新的用于三维目标检测的 SSL 框架通过对未标注原始点云场景的不同增强之间施加一致性正则化，在应用于中间特征时反而有害。为解决该问题，我们引入一种混合伪标签与特征级真值采样（F-GT）的新颖组合，其安全地增强未标注多类型三维场景特征并提供高质量监督。我们在两个代表性的三维目标检测模型上实现 UpCycling：SECOND-IoU 和 PV-RCNN。在广泛使用的数据集（Waymo、KITTI 和 Lyft）上的实验验证了 UpCycling 优于其他在特征级应用的增强方法。此外，在保护隐私的同时，UpCycling 在域适应和部分标签场景下均优于或可与利用原始级未标注数据的当前最优方法相媲美。
引用
@article{arxiv.2211.11950,
title = {UpCycling: Semi-supervised 3D Object Detection without Sharing Raw-level Unlabeled Scenes},
author = {Sunwook Hwang and Youngseok Kim and Seongwon Kim and Saewoong Bahk and Hyung-Sin Kim},
journal= {arXiv preprint arXiv:2211.11950},
year = {2023}
}
备注
We have updated the results to fix errors in the experimental process, which resulted in some logical changes. We also have added new experiments related to privacy protection. The previous version (v1) has been discarded