BriefGPT - AI 论文速递
·
自适应半监督学习中的伪标签过滤
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
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。
🎯
关键要点
- 提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架。
- 引入了 STE 和 CBV 模块以提高教师模型的性能。
- 提出了 BCL 软监督信号以减小错误样本对训练的负面影响。
- 实验结果表明，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。
🏷️
标签
➡️
