DDFH主动学习框架, 为3D目标检测带来更丰富的信息提取 !

文章预览

ADAS  Laboratory 点击上方 蓝字 关注  智驾实验室           加入【 智驾实验室 】交流群， 获取更多内容和资料 基于激光雷达的3D目标检测是自动驾驶和机器人技术发展的关键技术。然而，数据标注的高昂成本限制了其进步。作者提出了一种新颖有效的主动学习（AL）方法称为分布差异和特征异质性（DDFH），该方法同时考虑几何特征和模型嵌入，从实例级和帧级角度评估信息。 分布差异评估 未标注 和标记分布之间的差异和新颖性，允许模型在有限数据下高效学习。 特征异质性保证同一帧内实例特征的异质性，在维持特征多样性的同时避免冗余或相似实例，从而最小化标注成本。最后，使用分位数变换有效地聚合多个指标，提供统一的信息效用度量。 大量实验表明，DDFH在KITTI和Waymo数据集上优于当前最先进的（SOTA）方法，有效地将边界框标注成 ………………………………