CVPRMar, 2022

回到现实：基于形状引导标签增强的弱监督三维物体检测

PDF
TL;DR提出了一种基于虚拟场景的弱监督方法用于 3D 物体检测，利用合成的 3D 形状将弱标签转换成更强的虚拟场景，并再次利用虚拟标签去改善真实标签和更好地训练检测器，同时提出了更具挑战性的室内 3D 物体检测基准测试。
3d object detectionweakly-supervised approachposition-level annotationssynthetic 3d shapesvirtual scenes
发现论文，激发创造
  • 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

  • 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

  • 基于 Lidar 点云的弱监督三维物体检测

    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。

    Jul, 2020

  • 全局到局部三维重建的二维监督单目三维物体检测

    本研究提出了一种新的逆向学习范式，称为 BA^2-Det，利用全局到局部 3D 重建的思想，对二维监督单目三维物体检测进行学习，实验结果显示 BA^2-Det 的性能与完全监督方法相当，并且甚至优于某些先驱的完全监督方法。

    Jun, 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

  • RGB-D 数据下可迁移的半监督三维物体检测

    提出了一种可转移的半监督 3D 目标检测模型，通过训练存在强类别和弱类别两个不相交的物体类别集的数据，使用放松重投影损失、Box-to-Point Cloud Fit 网络等技术，从强类别向弱类别传递 3D 信息，并在 SUN-RGBD 和 KITTI 数据集上取得了优异的成果。

    Apr, 2019

  • 具有对抗约束的弱监督 3D 重建

    本文研究使用前景掩码作为弱监督，通过光线追踪池化层实现透视投影和反向传播的三维重建，同时限制重建到未标记的能匹配覆盖面的真实三维形状。通过该方法可以使用 GAN 训练现有工具。我们通过各种数据集进行单视角和多视角重建的实验和分析表明，我们约束重建的方法在合成和真实图像的重建中均有成效。

    May, 2017

  • 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

  • 使用学习损失的 3D 目标检测：寻找你的（3D）中心

    通过在未经过场景中心标记的未经处理的 3D 扫描数据中使用尽可能少的目标标签进行训练，我们提出了一种新的优化程序，其中含有两个网络，它们可以在与监督有可比性的情况下实现相当的性能，从而解决了 2D 图像与 3D 场景之间的差异问题。

    Apr, 2020

  • 利用预训练的 3D 物体检测模型实现快速标签生成

    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