CVPRApr, 2024

户外无监督三维物体检测常识原型

PDF
TL;DR本研究提出了一种基于常识原型的检测器（CPD），用于无监督的三维物体检测，通过构建高质量边界框和密集点的常识原型以及利用大小先验和几何知识改进了低质量伪标签，有效提高了检测性能。CPD 在多个数据集上取得了优于现有方法的结果，使其与全监督检测器非常接近，展示了该方法的重要性。
unsupervised 3d object detectioncommonsense prototype-based detectorpseudo-labelslidar scansgeometric knowledge
发现论文，激发创造
  • 基于激光雷达点云辅助的单目三维物体检测

    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

  • 基于注意力原型的无源迁移学习 3D 物体检测

    本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

    Nov, 2021

  • 面向无监督的基于 LiDAR 点云的物体检测

    我们研究在自动驾驶场景中从 3D 点云中进行无监督对象检测的问题，提出了一种简单而有效的方法，利用点聚类、时间一致性、CNN 的平移等性质以及自我监督来改进无监督检测算法，通过在非相近区域进行自动标记扩展到远距离，从而实现了零 - shot 方式的对象检测，能够在稀疏、远距离区域进行检测，同时在更多迭代自我训练的过程中不断改进。我们提出了基于碰撞距离的新的规划感知度量来更好地衡量模型在自动驾驶场景中的性能。我们在 PandaSet 和 Argoverse 2 Sensor 数据集上展示了我们的无监督对象检测器显著优于无监督基线的性能，证明了自我监督与对象先验相结合可以实现野外对象发现的潜力。

    Nov, 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

  • 自助学习多模态预训练在 3D 目标检测中的应用

    通过使用与图像相关的 shelf-supervision 模型对配对的 RGB 和 LiDAR 数据进行无监督预训练，我们提出了一种能够生成零样本 3D 边界框的点云表示方法，这种方法在半监督检测中能够显著提高检测准确性，尤其适用于 LiDAR-only 和多模态 (RGB + LiDAR) 检测。我们在 nuScenes 和 WOD 上展示了我们方法的有效性，并在有限数据环境中明显改进了之前的工作。

    Jun, 2024

  • 利用激光雷达线索进行无监督目标检测

    通过利用 LiDAR 数据辅助进行无监督的二维对象检测，同时采用基于 3D 点云和 2D 图像特征的迭代分割标签网络对候选对象进行标签生成和训练，从而解决了之前存在的问题，得到了较为合理的检测结果。

    Nov, 2020

  • 基于占据估计的汽车激光雷达自我监督

    本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

    Dec, 2022

  • SSC3OD：基于稀疏监督的 LiDAR 点云协同式稀疏立体物体检测

    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。

    Jul, 2023

  • 发现 Dino: 无监督检测外部分布对象的即插即用框架

    在本文中，我们提出了一种即插即用的广义框架 —— 无标签基于原型的零样本 OOD 检测（PROWL）。PROWL 是一种基于推理的方法，不需要在领域数据集上进行训练，依赖于从自监督预训练模型中提取相关特征。PROWL 可以轻松适应任何操作设计领域中的 OOD 对象，并且在 SegmentMeIfYouCan（SMIYC）基准提供的 RoadAnomaly 和 RoadObstacle 数据集上，作为一种无监督方法，它在没有辅助 OOD 数据进行训练的情况下优于其他有监督方法。我们还证明了它在其他领域（如铁路和海事场景）的适用性。

    Apr, 2024

  • 针对三维物体检测的基于语义感知的仅激光雷达伪点云生成

    通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种富含语义信息的稠密伪点云，并通过引入新的语义引导投影方法增强检测性能。

    Sep, 2023