SSF3D:基于切换滤波器的严格半监督三维物体检测
本论文提出了一种新的域自适应自训练流水线(ST3D),用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练,并避免过度配合伪标记数据中大量的易样本,实现了对所有评估数据集的领先性能,并甚至超过了 KITTI 3D 目标检测基准的全监督结果。
Mar, 2021
本文提出一种名为 3DSSD 的轻量级且高效的基于点云的三维单级物体检测器,采用了融合采样策略以及候选生成层、无锚点回归头、三维中心性分配策略的结构设计,其精度和速度都表现出很好的平衡,并且在 KITTI 和 nuScenes 数据集上取得了比同类方法显著更好的性能。
Feb, 2020
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
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
该论文介绍了一种基于体元和投影双分支特征提取的 3D 目标检测器,以解决信息丢失的问题。通过融合具有丰富局部语义信息的体元特征和投影特征,该方法在特征提取阶段减少了由投影引起的局部信息丢失,并在比较实验中取得了良好的性能。
Aug, 2023
MS$^{2}$3D 是一个两阶段的三维检测框架,利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征,通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移,以提高特征聚合的效率,在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。
Aug, 2023
本文提出了一种名为 ST3D ++ 的自学习方法,通过开发一个全面的伪标签降噪管道,旨在进行无监督域自适应来降低伪标签噪声以及缓解噪声伪标签对模型训练的负面影响,并在 KITTI 等多个三维基准数据集上实现了最先进的性能。
Aug, 2021
SHIFT3D 通过使用有符号距离函数(SDF)表示对象,并利用梯度错误信号来平滑地改变 3D 对象的形状或姿态,从而生成既具有结构合理性又对 3D 物体探测器具有挑战性的 3D 形状。这种方法为现代 3D 物体探测器提供了可解释的失败模式,并可以在潜在的安全风险发展为关键故障之前帮助及时发现潜在的安全风险。
Sep, 2023