不需要标注了？看自监督学习框架如何助力目标检测

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

计算机视觉研究院专栏

来自自动驾驶公司轻舟智航和约翰霍普金斯大学的学者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。

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。