May, 2024

针对半监督 3D 物体检测的硬度感知场景合成

PDF
TL;DR提出了一种基于自适应合成场景的 3D 目标检测方法，通过生成适应性合成场景来改善检测模型的泛化能力，包括生成伪标签、不同对象和背景组合生成多样化的场景，并通过硬度感知策略来减小低质量伪标签的影响，保证合成场景的多样性和质量，实验证明了该方法在 3D 目标检测上的优越性。
3d object detectionautonomous driving perceptionsynthetic scenespseudo-labelshardness-aware strategy
发现论文，激发创造
  • 3D 半监督目标检测的分层监督和洗牌数据增强

    介绍了一种新颖的 hierarchical supervision 和 shuffle data augmentation 方法，它通过设计动态双阈值策略产生更合理的监督信号来加强学生网络的训练，并通过洗牌数据增强策略来增强学生网络的功能特征。还展示了该方法在不同的数据集上都表现优异。

    Apr, 2023

  • 室内 3D 物体检测的 Syn-to-Real 无监督领域自适应

    本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

    Jun, 2024

  • 基于合成数据的鲁棒性类别层次 3D 姿态估计

    本篇论文提出 SyntheticP3D 数据集和 CC3D 方法，结合这两种方法可以实现在只用 10% 的真实数据的情况下，与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果，在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。

    May, 2023

  • HUNTER：通过从合成实例向真实场景传递知识实现无监督的人体中心化三维检测

    基于合成人体实例向真实场景中的无监督 3D 检测方法，通过弥合合成模型和真实点云之间的数据表示和特征分布差异，实现了在人体中心场景中优于当前最先进技术的表现，达到了显著的 87.8％mAP 改进并接近全监督方法的性能（62.15 mAP vs. 69.02 mAP）在 HuCenLife 上。

    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

  • 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

  • Diffusion-SS3D：半监督三维物体检测的扩散模型

    通过扩散模型来提高伪标签的质量，以实现半监督三维物体检测，改进了现有方法的性能，获得了最先进的结果。

    Dec, 2023

  • 关于点云的变形和对应关系感知的无监督合成场景流估计

    本文介绍了一种利用自动生成的样本和伪标签的自适应框架来提高点云场景流预测模型在不同场景下的泛化性能的方法。

    Mar, 2022

  • 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

  • RandomRooms：从合成形状和随机布局进行无监督预训练以进行 3D 物体检测

    该研究提出一种名为 RandomRooms 的新方法，利用合成 CAD 数据集中的对象生成场景的随机布局并通过对象级对比学习来学习 3D 场景表示，并表明该模型可用于提高 3D 检测任务的性能和泛化能力，从而在 ScanNetV2 和 SUN RGB-D 等流行的 3D 检测基准上取得新的最优结果。

    Aug, 2021