ECCVJul, 2020

基于 Lidar 点云的弱监督三维物体检测

PDF
TL;DR本文提出一种基于弱监督学习的 3D 物体检测方法，只需要少量弱标记场景和少量精确标记的物体实例来训练，而且使用该方法训练的模型可以作为 3D 物体注释器使用，并显示出提高性能的潜力。
3d object detectionweakly supervised learningpoint cloud datacylindrical proposalsnetwork architecture
发现论文，激发创造
  • 基于点云的弱监督三维物体检测

    本文提出 VS3D，一个从点云中弱监督学习的 3D 目标检测框架，其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略，在 KITTI 数据集上取得了优异的性能。

    Jul, 2020

  • 多层次视觉引导的弱监督 3D 目标检测

    对于弱监督的三维物体检测任务，本文提出了一种框架来研究如何在无需任何三维标签的情况下利用二维和三维领域之间的约束，通过三种视角的视觉数据建立二维和三维领域之间的关联。实验证明，在无需使用任何三维标签的情况下，该方法在 KITTI 数据集上取得了与最先进方法相媲美的性能。

    Dec, 2023

  • WeakM3D：面向弱监督的单目三维物体检测

    本文介绍了一种采用弱监督学习的单目三维目标检测方法，该方法利用生成的二维框选择对应的区域兴趣 LiDAR 点作为弱监督信号，并通过网络预测可以紧密对齐相应区域兴趣 LiDAR 点的三维框，从而消除了对三维框标注的依赖。

    Mar, 2022

  • 弱监督点云变换器用于 3D 目标检测

    本文提出了一种用于 3D 物体检测的弱监督点云变换器框架，旨在降低对训练所需监督的数量，以减少对 3D 数据集进行注释的高成本，通过使用投票网络选择高质量的预设锚点，将信息提炼到学生网络和教师网络。

    Sep, 2023

  • 使用多视角投影和方向一致性进行弱监督单目 3D 对象检测

    本文提出了一种基于弱监督学习的单目 3D 物体检测方法，该方法只使用图像上标记的 2D 标签进行模型训练，并探索了投影、多视图和方向这三种不同类型的一致性约束以及设计了一种新的 2D 方向标记方法用于准确的旋转方向预测。实验证明，该方法在一些完全监督方法上具有可比较的性能，并且当用作预训练方法时，仅使用 1 / 3 3D 标签就可以显着优于对应的完全监督基线。

    Mar, 2023

  • 无实例级注释的弱监督三维实例分割

    通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

    Aug, 2023

  • 基于激光雷达点云辅助的单目三维物体检测

    通过使用粗略标签和无标签雷达点云伪标签，LPCG 可以在自动驾驶系统中显著降低标注成本或显著提高检测准确性，在 KITTI 基准测试和 Waymo 基准测试中都取得了很好的效果。

    Apr, 2021

  • 从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

    提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

    Apr, 2024

  • 基于弱监督的语义点云分割：朝着少 10 倍标签的方向发展

    本论文提出了一种弱监督点云分割方法，可以在训练阶段仅标记极少量点，通过学习梯度近似和利用额外的空间和颜色平滑约束来实现，性能接近或甚至优于全监督的方法，具有很高的实用性。

    Apr, 2020

  • 自助学习多模态预训练在 3D 目标检测中的应用

    通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。

    Jun, 2024