可伸缩的三维物体检测的伪标记技术
本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架,通过引入 STE 和 CBV 模块提高了教师模型的性能,同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明,在 ONCE 和 Waymo 数据集上,我们的方法显著提高了基线,同时在 Waymo 数据集上,只使用了一半的注释即可超过完全注释的 oracle 模型。
Jul, 2022
利用通用化人工智能改进无标签目标场景的多视角 3D 行人检测,通过使用未经训练的检测器的自动标注方法,可以获得比直接使用未经训练检测器或使用现有标记的源数据集训练的检测器更好的结果。在使用 WILDTRACK 和 MultiviewX 作为目标数据集时,MODA 比现有的无标签方法分别提高了 4% 和 1%。
Aug, 2023
通过两种互补方法减轻误差,可改进仅有有限标记数据的半监督三维物体检测,在 KITTI 3D 物体检测基准上的实验表明,通过可靠的学生框架,我们在不同标记比例下显著提高了行人和骑车人类的平均精度。
Apr, 2024
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
利用视觉与语言模型产生伪标签的方法来实现无标注图像中物体的定位和分类,从而解决大规模获取标注数据的难题,并通过在学习过程中使用这些伪标签,展示了该方法在开放词汇检测和半监督目标检测等任务上的有效性。
Jul, 2022
本文提出的伪标签辅助点云分割方法,可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果,并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明,本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。
May, 2021
提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法,其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。
May, 2023
本文介绍了一种新的标注方法,将人类监督与预训练的神经网络相结合,生成每个实例的三维点云分割,三维边界框和类别注释,以减少训练自动驾驶的 3D 物体检测器所需的任务复杂性和注释人员所需的任务切换量,实验结果表明,该方法相比传统方法减少了 30 倍人工标注时间。
Jul, 2018
在这篇论文中,我们提出了一种新颖的伪标签精炼框架,通过补充性增强策略,生成额外的候选框并在不同领域中对 RoI 特征进行对齐,有效提高了伪标签的质量,并在六个自动驾驶基准测试中持续超越了现有最先进的方法。
Apr, 2024
引入了一个弱监督标签统一流程,用于合并来自多个训练在异构数据集上的目标检测模型的伪标签,从而构建了一个统一的标签空间,纠正偏见并提高泛化能力。通过对多个数据集上的目标检测模型进行微调,并精确验证伪标签,重新训练一个目标检测模型,最终得到一个在动态交通场景中表现出色的模型,并在具有挑战性的道路条件下充分展示了该方法的有效性。值得注意的是,该方法在目标检测性能方面取得了显著的提升,得到了对领域变化具有更高抵抗力的模型。
Aug, 2023