基于标签引导的辅助训练改进了 3D 物体检测器
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
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
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
该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks(MV3D)框架,该框架采用多传感器融合技术,将 LIDAR 点云和 RGB 图像作为输入,并预测有方向的 3D 界限框。实验表明,该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25%和 30%,在 2D 检测中也表现出显著的技术优势。
Nov, 2016
使用几何 - 体素辅助学习的方法,通过提供对多传感器点云的附加解释,使得体素表示可以获取点级几何信息,并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色,超越了其他模型,并在每个单一数据集上与现有的专家方法取得了竞争性结果。
Mar, 2024
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
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
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
本研究提出了自行蒸馏 (self-distillation) 框架,在物体检测领域有显著的性能提升,无需强大的预训练模型,同时还将训练成本降低了 51%。
Sep, 2021
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