基于激光雷达点云的弱监督三维目标检测
计算机视觉与模式识别
2020-07-24 v1
摘要
手动标注点云数据以训练高质量的三维目标检测器是费力的。本文提出了一种弱监督的三维目标检测方法，仅需要少量弱标注场景以及少量精确标注的目标实例。这是通过两阶段架构设计实现的。第一阶段学习在弱监督下生成圆柱形目标提议，即仅在鸟瞰场景中点击标注目标的水平中心。第二阶段学习使用少量良好标注的目标实例来细化圆柱形提议，以获得立方体和置信度分数。仅使用500个弱标注场景和534个精确标注的车辆实例，我们的方法达到了当前领先的全监督检测器（需要3,712个详尽精确标注的场景和15,654个实例）性能的85-95%。更重要的是，通过我们精心设计的网络架构，训练好的模型可以作为三维目标标注器，支持自动和主动工作模式。我们的模型生成的标注可用于训练三维目标检测器，其性能达到原始（手动标注数据）的94%以上。我们的实验还表明，在更多训练数据下，模型具有提升性能的潜力。上述设计使我们的方法非常实用，并为减少标注负担的学习三维目标检测引入了新的机会。
引用
@article{arxiv.2007.11901,
title = {Weakly Supervised 3D Object Detection from Lidar Point Cloud},
author = {Qinghao Meng and Wenguan Wang and Tianfei Zhou and Jianbing Shen and Luc Van Gool and Dengxin Dai},
journal= {arXiv preprint arXiv:2007.11901},
year = {2020}
}
备注
ECCV 2020; website: https://github.com/hlesmqh/WS3D