SESS: Self-Ensembling Semi-Supervised 3D Object Detection

paper
code

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。