基于点云的弱监督三维目标检测
计算机视觉与模式识别
2020-07-29 v1
摘要
场景理解中的一项关键任务是三维目标检测，其旨在检测并定位属于特定类别的目标的三维边界框。现有三维目标检测器在训练时严重依赖标注的三维边界框，而这些标注获取成本高且仅在有限场景下可用。弱监督学习是降低标注需求的一种有前景的方法，但现有弱监督目标检测器多针对二维检测而非三维。本工作中，我们提出 VS3D，一种无需使用任何真实三维边界框进行训练的、基于点云的弱监督三维目标检测框架。首先，我们引入一个无监督三维提议模块，通过利用归一化点云密度生成目标提议。其次，我们提出一种跨模态知识蒸馏策略，其中卷积神经网络通过查询在图像数据集上预训练的教师网络，从三维目标提议中学习预测最终结果。在具有挑战性的 KITTI 数据集上的综合实验证明了我们的 VS3D 在多种评估设置下的优越性能。源代码与预训练模型公开于 https://github.com/Zengyi-Qin/Weakly-Supervised-3D-Object-Detection。
引用
@article{arxiv.2007.13970,
title = {Weakly Supervised 3D Object Detection from Point Clouds},
author = {Zengyi Qin and Jinglu Wang and Yan Lu},
journal= {arXiv preprint arXiv:2007.13970},
year = {2020}
}
备注
Accepted by ACM MM 2020