Jul, 2023

SSC3OD：基于稀疏监督的 LiDAR 点云协同式稀疏立体物体检测

PDF
TL;DR提出了一个仅需要每个代理程序标记场景中一个对象的稀疏监督协作三维物体检测框架 (SSC3OD)，该框架由 Pillar-MAE 模块和 instance mining 模块组成，旨在自我监督地推理高级语义，并在线生成高质量伪标签以改善不完整注释的影响，实验表明 SSC3OD 可以有效地提高协作三维物体检测器的性能。
collaborative 3d object detectionsupervised learningautoencoderinstance miningautonomous driving
发现论文，激发创造
  • ODM3D：缓解前景稀疏性以提升半监督单目三维物体检测

    通过半监督学习，利用大量未标记的数据，我们提出了 ODM3D 框架，通过跨模态知识蒸馏和新增的数据增强策略来提高单眼 3D 物体检测器的性能，取得了在 KITTI 验证和测试基准上的第一名成绩，显著超过所有现有的单眼方法（监督或半监督）在 BEV 和 3D 检测指标上。

    Oct, 2023

  • 合作监督的力量：增强的三维半监督目标检测的多教师框架

    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

  • 稠密标签对于点云三维物体检测总是必要的吗？

    使用稀疏标注框架和新方法 SS3D++，以较少的注释成本在 KITTI 和 Waymo 数据集上实现了与弱监督和完全监督方法相当甚至更好的三维物体检测性能。

    Mar, 2024

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    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

  • 基于密集学习的半监督目标检测

    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

  • PillarGrid: 面向车载 - 路侧 LiDAR 的基于深度学习的协同感知 3D 物体检测

    提出了在自动驾驶中利用多雷达协同感知的 PillarGrid 方法，包括点云预处理、柱体分割、多传感器特征融合、基于 CNN 的物体检测等阶段，实验证明该方法能够显著提高 3D 物体检测的精度和范围。

    Mar, 2022

  • 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

  • 激光雷达引导半监督主动学习的单目三维物体检测

    本文提出了一种新颖的半监督主动学习 (SSAL) 框架，用于配备了激光雷达的单目 3D 物体检测，利用了模型开发过程中所收集的所有数据的多模态。通过利用激光雷达来指导单目 3D 检测器的数据选择和训练，不在推理阶段引入任何开销，并采用半监督学习中的激光雷达教师，单目学生交叉模态框架，用于从未标记数据中蒸馏信息作为伪标签，以处理传播噪声等问题。文中也给出了用于选择需标记样本的传感器一致性基础选择评分的解决方案，同时也符合训练目标。本文在 KITTI 和 Waymo 数据集上广泛实验，验证了所提出方法的有效性。具体来说，所提出的选择策略在成本节省方面始终优于现有主动学习基线，在标签成本上节约了高达 17% 的成本；训练策略在 KITTI 3D 和 BEV 单目物体检测官方基准中获得了最佳成绩，将 BEV 平均精度提高了 2.02。

    Jul, 2023

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

    我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

    Mar, 2024