3D 半监督目标检测的分层监督和洗牌数据增强
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
本文通过对三种不同模型以及 420 种不同任务的广泛实验,认真研究了数据增强在异常检测中的作用,得出自监督作为另一个模型超参数,需要根据真实异常特征仔细选择数据增强方式的结论,并且在缺乏对应的情况下,自监督甚至会降低准确性,从而为未来的研究提供了新的方向
Aug, 2022
本研究提出了一种基于 DenSe Learning 的锚点自由的半监督目标检测算法,其中包含自适应过滤策略、聚合型教师以及跨尺度不确定性一致性正则化等多种新技术,与 MS-COCO 和 PASCAL-VOC 等数据集上得到的实验结果表明,该方法在半监督目标检测性能上取得了新的最优结果。
Apr, 2022
提出了一种基于自适应合成场景的 3D 目标检测方法,通过生成适应性合成场景来改善检测模型的泛化能力,包括生成伪标签、不同对象和背景组合生成多样化的场景,并通过硬度感知策略来减小低质量伪标签的影响,保证合成场景的多样性和质量,实验证明了该方法在 3D 目标检测上的优越性。
May, 2024
本文介绍了基于自我调整自监督异常检测(ST-SSAD)的新方法,该方法通过数据扩充来调整超参数,从而在语义类异常和微妙的工业缺陷中实现了显著的性能提升。
Jun, 2023
通过 SHeDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)这一端到端的神经网络框架,利用标记和未标记的来自不同数据源的数据,本研究旨在解决半监督异构领域适应(SSHDA)的挑战,在这种场景中,领域之间存在严重的分布偏差和不同的模态表达。
Jun, 2024
为了确保自主驾驶平台的安全行驶,除了开发高性能的物体检测技术外,还需要建立一个反映各种城市环境和物体特征的多样化和代表性的数据集。为了解决这两个问题,我们构建了一个多类别的 3D LiDAR 数据集,反映了多样化的城市环境和物体特征,并开发了基于多个教师框架的强大的 3D 半监督目标检测器。我们提出了一种简单而有效的增强技术,基于饼状点补偿(PieAug)的增强,以使教师网络生成高质量的伪标签。对 WOD、KITTI 和我们的数据集进行的大量实验验证了我们提出的方法的有效性和数据集的质量。实验结果表明,我们的方法始终优于现有的最先进的 3D 半监督目标检测方法。我们计划在不久的将来在我们的 Github 存储库上发布我们的多类别 LiDAR 数据集和源代码。
May, 2024
自我监督学习在无监督异常检测中起到重要作用,对 SSL 策略的选择、超参数的调整、预处理任务和增强函数的设计以及基于密度估计的预训练模型的利用提出了新的发展和挑战。
Aug, 2023
本研究提出了一种基于样本加权的半监督 3D 点云学习方法,通过双层优化框架估计权重并引入三种正则化技术,提高了模型的稳定性和准确性。实验结果表明该方法在 3D 点云分类和分割任务中具有有效性和可行性。
May, 2022
提出了一种半监督领域自适应方法,名为 “SSDA3D”,包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization,很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题,不依赖于大量标注数据,在只有 10%目标数据标注的情况下,可以超过 100%目标标签的完全监督模型。
Dec, 2022