并将其转移到具有不同标签配置的物体

MimJannat909

截至 年 月 日，该方法在  上排名第一，在  上排名第二，在 上排名第一。数据集上究论文基于  的  物体检测的无监督预训练现有的无监督点云预训练方法仅限于场景级或点 体素级实例辨别。场景级方法往往会丢失对于识别道路物体至关重要的局部细节，而点 体素级方法本质上受到有限的感受野的影响，无法感知大型物体或上下文环境。考虑到区域级表示更适合  对象检测，本研究设计了一种新的无监督点云预训练框架，称为它通过对比区域提案来学习鲁棒的  表示。

具体来说，通过，对每个提案内的几何点关系进行建模，以创建富有表现力的提案表示。为了更好地适应  检测属性， 通过簇间和提议间分离进行优化，即增强辨别力。 的通用性和可迁移性在各种  检测器即  、和 和数据集即 和 上得到验证。框架的图示。给定具有不同 电话号码列表 视图的增强点云，该方法首先对配对区域提案进行采样，然后使用区域提案编码模块提取特征。之后，强制执行提议间区分和簇间分离以优化整个网络。  从  和  学习到的  表示的比较。  该表说明了  上  对象检测方法的数据效率。



研究人员在  数据集上预训练  和的主干，检测中。在每种设置下都获得了一致的改进。所提出的方法优于所有并发自监督学习方法，即 和 。 百度还将与熟练教师一起展示其在半监督 物体检测方面的最新进展。该研究提出了一种用于半监督  对象检测的新伪标签框架，通过几个必要的设计将教师模型增强为熟练的模型。该方法将基线显着提高了并且在只有一半注释的基准测试中优于具有完整注释的预言机模型。  研究论文利用基于多模态模型的强化学习挖掘碎石 挖掘机广泛应用于各种工程领域。