（附论文）CVPR 2021 | 不需要标注了？看自监督学习框架如何助力目标检测

全网搜集目标检测文章，人工筛选最优价值知识

编者荐语

文章提出了一个自监督学习框架，可从未标注的激光雷达点云和配对的相机图像中进行点云运动估计，与现有的监督方法相比，该方法具有良好的性能，当进一步进行监督微调时，模型优于 SOTA 方法。

转载自 | 计算机视觉研究院

  

论文链接：https://arxiv.org/pdf/2104.08683.pdf

  

图 1：该研究提出的自监督柱运动学习概览。

  

图 2：用于点云体柱运动估计的自监督学习框架。

  

图 3：概率运动掩膜说明，左：投影点在前向相机图像上的光流（已将自我运动分解）。右：点云的一部分，颜色表示非空体柱的静态概率。

实验

研究人员首先进行了各种组合实验，以评估设计中每个单独组件的贡献。如表 1 所示：

  

表 1：每个单独组件的贡献，结果包括均值和中位误差。

  

表 3：与 SOTA 结果对比。实验分为三个速度组，表中记录了平均误差和中位误差。

  

图 5：点云体柱运动预测对比。第一行显示真值运动场，第二行显示的是该研究全模型的评估结果，而只使用结构一致性的基础模型的预测结果在第三行。每一列都演示了一个场景。

✄------------------------------------------------

双一流高校研究生团队创建 ↓

专注于目标检测原创并分享相关知识 ☞

整理不易，点赞三连！