Dec, 2023

非所有面都平等：半监督 3D 目标检测的定位不确定性估计

PDF
TL;DR用于半监督三维物体检测的侧面感知框架，通过三个关键设计（三维边界框参数化方法、不确定性估计模块和伪标签选择策略）共同工作，显式地估计每个侧面的定位质量并在训练阶段分配不同级别的重要性，实验证明这种方法能在不同场景和评估指标下始终优于基准模型。此外，我们的方法在三个具有不同标记比例的数据集上达到了最先进的性能。
semi-supervised 3d object detectionpoint cloudpseudo-labelslocalization qualityuncertainty estimation
发现论文，激发创造
  • 基于数据不确定性引导的半监督目标检测多阶段学习

    本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法，能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起，从而使半监督目标检测器更加聚焦于更可靠的知识，实验结果表明，该方法与基线方法相比具有显著的优势。

    Mar, 2021

  • 具有熟练教师的半监督三维目标检测

    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

  • 半监督目标检测中伪标签的思考

    本文提出了一种基于置信度的伪标签方法，用于目标检测任务中的半监督目标检测。相较于现有方法，我们的方法可以更好地估计伪标签的分类和定位质量，并根据估计结果调整伪标签产生的阈值和权重，从而缓解类别不平衡和定位精度的问题。我们的实验结果表明，在 COCO 和 PASCAL VOC 数据集上，本方法可以使半监督目标检测的性能提升 1-2% AP，在有限标注的情况下，即使只使用 COCO 的 1-10% 标记数据，我们的方法也能将有监督基线方法的性能提高 10% AP。

    Jun, 2021

  • 区域不确定性量化的半监督学习来对抗噪声

    本文提出了一种基于区域不确定性的抗噪半监督学习方法，通过多峰概率分布输出引入不确定性以实现抗噪学习，并在 PASCAL VOC 和 MS COCO 上的实验结果表明了该方法的卓越性能。

    Nov, 2021

  • 标签不完美：通过标签不确定性提高概率目标检测

    本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

    Aug, 2020

  • 可靠学生：解决半监督三维物体检测中的噪声

    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

  • DQS3D：密集匹配的量化感知半监督三维检测

    本研究钻研的半监督三维物体检测问题，在考虑到在杂乱的三维室内场景中进行标注所需要的成本极高的情况下，我们采用了自学习的强健和原则性框架，提供了第一种半监督三维检测算法，该算法单阶段运作并允许稠密的训练信号，解决了多阶段流水线以及离散化 quantization 误差等问题。

    Apr, 2023

  • 可伸缩的三维物体检测的伪标记技术

    研究了使用伪标签在无监督训练中提高 3D 物体检测效率的方法，并证明伪标签训练的学生模型在一些情况下可以胜过使用更多标记样本的监督模型。

    Mar, 2021

  • 标签并不完美：推断目标检测中的空间不确定性

    依据生成模型从 LiDAR 点云中推断出边界框标签的不确定性，并通过空间不确定度分布定义了概率边界框的新表示，提出了一种新的评价指标 Jaccard IoU (JIoU)，并应用于几个基于 LiDAR 的目标检测器的深入比较中，并将提出的标签不确定性结合到损失函数中，以训练概率目标检测器并提高其检测精度。

    Dec, 2020

  • 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