【3D目标检测】开源 | 弱监督的3D目标检测器，不需要任何ground truth就可以进行模型训练

备注：研究方向+地点+学校/公司+昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。

PS：腾讯最近更改公众号推送规则，文章推送不在按照时间排序，而是通过智能推荐算法有选择的推送文章，为了避免收不到文章，看完文章您可以点击一下右下角的"在看"，以后发文章就会第一时间推送到你面前。

获取完整原文，公众号回复：2007.13970

论文地址： http://arxiv.org/pdf/2007.13970v1.pdf

代码： https://github.com/zengyi-qin/weakly-supervised-3d-object-detection

来源： 麻省理工学院&微软研究院

论文名称：Weakly Supervised 3D Object Detection from Point Clouds

原文作者：Zengyi Qin & Jinglu Wang

内容提要

三维物体检测是场景理解中的一项关键任务，其目的是检测并定位属于特定类别的物体的bounding boxes。现有的3D物体检测器在训练过程中严重依赖标注的3D bounding boxes，而这些标注数据集的获取成本可能很高，而且只能在有限的场景中使用。所以说弱监督学习是一种很有前途的方法，它可以减少标注需求，但现有的弱监督目标检测器大多用于2D检测而不是3D。本文中，我们提出了命名为的VS3D弱监督3D目标检测框架，该方法不使用任何带有ground truth的 3D边界盒，就可以训练点云三维物体检测器。首先，本文提出了一个无监督的3D候选模块，该模块通过利用标准化的点云密度来生成候选目标。其次，作者提出了一种跨模式的知识提炼策略，其中卷积神经网络通过查询在图像数据集上预训练的教师网络，基于3D目标候选来预测最终的结果。算法在具有挑战性的KITTI数据集上进行了综合实验，结果证明本文的VS3D，在不同的评估设置中都可以取得优越的性能。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。

点个“在看”，让我知道你的爱