自适应半监督学习中的伪标签过滤
本文提出了一种新的半监督三维目标检测框架,通过引入STE和CBV模块提高了教师模型的性能,同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验结果表明,该方法在ONCE和Waymo数据集上显著提高了基线,在Waymo数据集上只使用了一半的注释即可超过完全注释的oracle模型。
原文中文,约200字,阅读约需1分钟。
本文提出了一种新的半监督三维目标检测框架,通过引入STE和CBV模块提高了教师模型的性能,同时提出了BCL软监督信号来减小错误样本对训练的负面影响。实验结果表明,该方法在ONCE和Waymo数据集上显著提高了基线,在Waymo数据集上只使用了一半的注释即可超过完全注释的oracle模型。