Detección de objetos 3D semisupervisada a través de etiquetado pseudo adaptativo

La detección de objetos 3D es una tarea importante en la visión por computadora. La mayoría de los métodos existentes requieren una gran cantidad de anotaciones 3D de alta calidad, que son costosas de recopilar. Especialmente para escenas al aire libre, el problema se vuelve más grave debido a la escasez de la nube de puntos y la complejidad de las escenas urbanas. El aprendizaje semisupervisado es una técnica prometedora para mitigar el problema de la anotación de datos. Inspirados en esto, proponemos un nuevo marco semisupervisado basado en etiquetado pseudo para tareas de detección de objetos 3D al aire libre. Diseñamos el módulo de Selección de Confianza de Clase Adaptativa (ACCS) para generar etiquetas pseudo de alta calidad. Además, proponemos la Aumento Holístico de Nubes de Puntos (HPCA) para datos no etiquetados para mejorar la robustez. Los experimentos en el benchmark KITTI demuestran la efectividad de nuestro método. El código y material suplementario están disponibles en https://github.com/tayson0825/SS3DOD.