本文提出了一种新的Pseudo-Labeling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。实验证明，在ONCE和Waymo数据集上，该方法显著提高了基线，同时在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。

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。