问题与创新点
问题
- 3D 点云数据标注代价大
创新点
- 第一个提出只以点云作为输入的3D目标检测半监督算法
- 将随机扰动泛化到点云数据
- 根据点云的特性设置3个一致性损失
论文架构
整个模型包含了学生以及教师两个分支,学生网络以随机转换结果作为输入,而老师网络接受原始数据,通过将两个网络的输出结果保持一定的一致性,以达到提出关键信息的目的,有效规避噪音的影响。
Perturbation Scheme
Mean Teacher paradigm网络结构的随机扰动都是基于图像的,而基于点云的没有具体的设定。文中对点云的一系列转化进行了定义,将该机制往点云输入进行泛化。其中包含了:
- 随机噪音
- 随机x轴翻转、随机y轴翻转、随机旋转和随机上下采样
Consistency Loss
整个损失由三部分构成
center-aware consistency loss
通过学生到教师的双向映射,保证产出结果的一致性。
class-aware consistency loss
通过Kullback-Leibler (KL) divergence来计算分类之间的差异性。
size-aware consistency loss
直接通过Mean Square Error (MSE) 计算两者之间的差距。
结果
从整个结果上来看,半监督的方式相比VoxelNet检测效果还是比较明显的。
从对个损失的笑容实验来看,center+class的方法提升还是比较明显。