主动3D物体检测中的分布差异与特征异质性
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了LiDAR基础的3D物体检测中由于数据标注成本高而限制其进展的问题。提出了一种新的主动学习方法——分布差异与特征异质性（DDFH），通过评估实例和帧的几何特征和模型嵌入，提升学习效率。实验表明，DDFH在KITTI和Waymo数据集上表现优越，能够有效减少56.3%的边界框标注成本。
本文介绍了在自动驾驶数据集中使用主动学习策略来解决数据不平衡、冗余和高维数据的挑战。通过使用信息熵查询来选择信息丰富的样本，可以降低注释成本并提高模型性能。实验结果表明，在大多数情况下，信息熵查询的效果优于随机抽样，特别是在减少多数类和少数类之间的性能差距方面。该方法还强调了在有限数据预算下，选择多样性和信息丰富的数据进行模型训练的重要性。研究发现，信息熵查询是一种有前途的策略，可以在资源受限的环境中选择增强模型学习的数据。
