可靠学生:解决半监督三维物体检测中的噪声
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
本研究提出了一种基于半监督学习的 3D 目标检测方法,通过教师 - 学生的互相学习机制传播信息,结合置信度过滤和 3D IoU 定位度量,实现了在室内外场景下进行更有效、精确的目标检测,提升了现有方法的表现。
Dec, 2020
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。
Dec, 2023
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
本研究探讨了半监督目标检测模型中伪目标的不一致性问题,提出了一种名为 ConsistentTeacher 的系统性解决方案,通过自适应锚定分配、三维特征对齐模块和高斯混合模型等步骤,可以有效减少伪标签带来的噪声和不准确性,提高模型精度。
Sep, 2022
本文提出了一种新的半监督目标检测方法,该方法在假标签生成器方面引入了新的学习机制以提高标签生成质量,并介绍了自适应阈值机制和 Jitter-Bagging 模块以提高边界框的精度和定位准确性,通过在教师网络上使用强调重和弱增强数据的严格监督来产生稳健的伪标签,在 MS-COCO 和 Pascal VOC 数据集上表现出色,且只需很少的标记数据即可实现 100%的监督表现。
Jun, 2023
本文研究半监督物体检测 (SS-OD) 中的伪标签偏差问题并引入一种名为 “Unbiased Teacher” 的方法,通过对过度自信的伪标签进行分类均衡损失,共同训练一个学生和逐渐进步的老师,最终在 COCO 标准、COCO 附加和 VOC 数据集上使现有的最先进方法显著提高 6.8 绝对 mAP,当只使用 0.5、1、2%的标记数据时,相对于有监督的基线,实现了约 10 mAP 的提高。
Feb, 2021
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