用于三维目标检测的弱监督点云Transformer

在场景理解中的语义分割与目标检测需要对三维数据集进行标注。本文提出一种用于三维目标检测的点云Transformer的弱监督框架。其目的是降低训练所需的监督量，因为标注三维数据集的成本很高。我们提出一种无监督投票候选区域模块，该模块学习随机预设的锚点，并使用投票网络筛选高质量的预设锚点。随后将信息蒸馏至学生网络与教师网络。在学生网络方面，我们应用ResNet网络高效提取局部特征，但这也会丢失大量全局信息。为向学生网络提供融合全局与局部信息的输入，我们采用Transformer的自注意力机制提取全局特征，并利用ResNet层提取区域候选。教师网络使用在ImageNet上预训练的模型监督学生网络的分类与回归。在具有挑战性的KITTI数据集上，实验结果表明，与最新的弱监督三维目标检测器相比，本文方法取得了最高水平的平均精度。