WLST：面向三维目标检测弱监督域适应的弱标签引导自训练方法
计算机视觉与模式识别
2024-02-09 v2 机器人学
摘要
在三维目标检测的域适应（DA）领域，多数工作致力于无监督域适应（UDA）。然而，在没有任何目标标注的情况下，UDA 方法与全监督方法之间的性能差距仍较明显，这对于实际应用并不实用。另一方面，弱监督域适应（WDA）是一项未被充分探索但实用的任务，仅需在目标域上付出少量标注 effort。为以高性价比提升 DA 性能，我们提出一种通用的弱标签引导自训练框架 WLST，专为三维目标检测的 WDA 设计。通过将能从 2D 边界框生成 3D 伪标签的自动标注器整合进现有自训练流程，我们的方法能够生成更鲁棒且一致的伪标签，从而有益于目标域上的训练过程。大量实验证明了我们的 WLST 框架的有效性、鲁棒性与检测器无关性。值得注意的是，它在所有评估任务上均优于先前的最先进方法。
引用
@article{arxiv.2310.03821,
title = {WLST: Weak Labels Guided Self-training for Weakly-supervised Domain Adaptation on 3D Object Detection},
author = {Tsung-Lin Tsou and Tsung-Han Wu and Winston H. Hsu},
journal= {arXiv preprint arXiv:2310.03821},
year = {2024}
}
备注
Accepted to ICRA 2024. Code is available at https://github.com/jacky121298/WLST