SSF3D: Strict Semi-Supervised 3D Object Detection with Switching Filter

SSF3D修改了半监督三维物体检测（SS3DOD）框架，该框架专门设计用于点云数据。利用点云中目标物体的不重合和弱相关性的特点，我们采用一种策略，仅保留确定真实标签并修剪其他带有点的模糊标签，而不是追求伪标签的数量和质量之间的平衡。此外，我们注意到更改过滤器将使模型满足不同的分布式目标，这有助于打破训练瓶颈。为了实现上述想法，引入了两种机制：严格的阈值和过滤器切换。实验分析了上述方法的有效性及其对系统整体性能的影响。在KITTI数据集上进行评估，SSF3D表现优于当前最先进的方法。代码将在此处发布。

SSF3D论文旨在解决基于点云数据的半监督三维目标检测问题，通过保留真实的伪标签并修剪其他模糊标签的点，而不是追求伪标签数量和质量的平衡来提高模型性能。

SSF3D采用了严格阈值和筛选器切换两种机制来实现上述想法，并通过实验验证了这些方法的有效性和对系统整体性能的影响。

该论文的亮点在于采用了针对点云数据的半监督三维目标检测框架，提出了新的保留真实伪标签并修剪其他模糊标签的点的策略，并引入了严格阈值和筛选器切换机制来提高模型性能。实验结果表明，SSF3D表现出优异的性能。

在这个领域中，还有一些相关的研究，如PointRCNN、STD等。