MixCycle: Mixup Assisted Semi-Supervised 3D Single Object Tracking with Cycle Consistency

要約

3D 単一物体追跡 (SOT) は自動運転に不可欠な部分です。
既存のアプローチは、大規模で高密度にラベル付けされたデータセットに大きく依存しています。
ただし、点群に注釈を付けるにはコストと時間がかかります。
教師なし 2D SOT におけるサイクル トラッキングの大成功に触発され、3D SOT に対する初の半教師ありアプローチを導入します。
具体的には、監視のための 2 つのサイクル一貫性戦略を導入します。1) 自己追跡サイクル。ラベルを活用して、トレーニングの初期段階でモデルがより適切に収束するのを支援します。
2) 順方向と逆方向のサイクル。動きの変化やテンプレート更新戦略によって生じるテンプレート ノイズに対するトラッカーの堅牢性が強化されます。
さらに、点群の多様性に対するトラッカーの堅牢性を向上させるために、SOTMixup という名前のデータ拡張戦略を提案します。
SOTMixup は、混合率を使用して 2 つの点群内の点をサンプリングすることによってトレーニング サンプルを生成し、混合率に従ってトレーニングに適切な損失重みを割り当てます。
結果として得られる MixCycle アプローチは、外観一致ベースのトラッカーに一般化されます。
P2B トラッカーに基づく KITTI ベンチマークでは、$\textbf{10\%}$ ラベルでトレーニングされた MixCycle は $\textbf{100\%}$ ラベルでトレーニングされた P2B を上回り、$\textbf{28.4\%} を達成しました。
$\textbf{1\%}$ ラベルを使用する場合の $ 精度の向上。
コードは \url{https://github.com/Mumuqiao/MixCycle} でリリースされます。

要約(オリジナル)

3D single object tracking (SOT) is an indispensable part of automated driving. Existing approaches rely heavily on large, densely labeled datasets. However, annotating point clouds is both costly and time-consuming. Inspired by the great success of cycle tracking in unsupervised 2D SOT, we introduce the first semi-supervised approach to 3D SOT. Specifically, we introduce two cycle-consistency strategies for supervision: 1) Self tracking cycles, which leverage labels to help the model converge better in the early stages of training; 2) forward-backward cycles, which strengthen the tracker’s robustness to motion variations and the template noise caused by the template update strategy. Furthermore, we propose a data augmentation strategy named SOTMixup to improve the tracker’s robustness to point cloud diversity. SOTMixup generates training samples by sampling points in two point clouds with a mixing rate and assigns a reasonable loss weight for training according to the mixing rate. The resulting MixCycle approach generalizes to appearance matching-based trackers. On the KITTI benchmark, based on the P2B tracker, MixCycle trained with $\textbf{10\%}$ labels outperforms P2B trained with $\textbf{100\%}$ labels, and achieves a $\textbf{28.4\%}$ precision improvement when using $\textbf{1\%}$ labels. Our code will be released at \url{https://github.com/Mumuqiao/MixCycle}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google