论文标题：Pseudo-labeling for Scalable 3D Object Detection 论文链接：https://arxiv.org/abs/2103.02093 作者单位：谷歌大脑 & Waymo 本文首次验证了伪标签对于3D目标检测非常有效，并且对如何能最大限度地发挥其性能优势进行系统的分析，表现SOTA！性能优于SA-SSD、StarNet等网络。

为了安全地部署自动驾驶汽车，车载感知系统必须能够在各种环境和地区中以高精度可靠运行。在新领域中提高此类系统效率的最常用技术之一是收集大型标记数据集，但是获取此类数据集的成本可能非常高，尤其是如果每个新部署地理区域都需要带有昂贵3D边框注释的附加数据时。我们证明了用于3D目标检测的伪标记是一种利用较便宜且可用范围更广的未标记数据的有效方法，并且可以导致跨各种体系结构，数据扩充策略和标记数据集的大小提高性能。总体而言，我们表明，更好的老师模型可以带来更好的学生模型，并且我们可以将昂贵的老师培养成高效，简单的学生。

具体来说，我们证明了经过伪标签训练的学生模型可以胜过受监督模型的训练，而受监督模型在标注示例数量的3到10倍之间。使用拥有两年历史的PointPillars [24]作为我们的学生模型，我们能够简单地利用大量伪标签数据来达到最先进的精度。最后，我们证明了这些学生模型比有监督的模型更好地泛化到了我们只有未标记数据的新领域，从而使伪标签训练成为无监督领域适应的有效形式。

内容中包含的图片若涉及版权问题，请及时与我们联系删除