92 / 2022-10-09 11:25:38

自集成半监督 3D 目标检测

现有的基于点云的 3D 对象检测方法的性能在很大程度上依赖于大规模的高质量 3D 注释。然而，这样的注释收集起来十分乏味且昂贵。半监督学习是减轻数据标注的一个很好的选择问题，但在 3D 对象检测中仍未得到充分探索。灵感来自最近成功的 self-ensembling在半监督图像分类任务中，我们提出 SSTT，一种自集成的半监督 3D 对象检测框架。具体来说，我们设计了一个彻底的扰动方案来增强

网络上未标记和新的看不见的数据。此外，我们提出了三个一致性损失来加强两组预测的 3D 对象建议之间的一致性，便于学习对象的结构和语义不变性。在 SUN 上进行的大量实验，实验结果表明本文提出的方法有效性。