近日，南方科技大学斯发基斯可信自主系统研究院与澳门大学、深圳元戎启行科技有限公司共同合作，在国际顶级学术期刊 IEEE Transactions on Intelligent Transportation Systems (T-ITS) 上发表题为 “TSceneJAL: Joint Active Learning of Traffic Scenes for 3D Object Detection” 的文章。T-ITS是智能交通领域最具影响力的国际顶级期刊之一，专注于交通系统智能化理论、技术、与应用突破。

     自动驾驶中的 3D 目标检测任务高度依赖高质量、精确标注的数据集，但数据标注成本极为高昂。主动学习（Active Learning）作为一种极具潜力的解决方案，能够智能筛选少量未标注数据进行标注，在大幅降低标注成本的同时保持模型性能。然而，传统主动学习算法在自动驾驶数据采集过程中，往往面临类别不平衡、场景冗余度高、复杂度不足等挑战。针对这一问题，研究团队提出了一种创新性的三阶段联合主动学习框架——TSceneJAL，如图1所示。该方法通过动态优化数据的平衡性、多样性和复杂性，实现“以最少标注数据训练最优模型”。1）类别熵采样：首阶段筛选多类别共存场景，缓解类别不平衡。​ 2）场景图相似性度量：将交通场景建模为有向图（节点表示物体类别，边表示空间距离），利用 MarginalizeKernel 算法量化图间距离，剔除高相似性冗余场景。​3）混合密度网络不确定性采样：在检测模型中引入混合高斯分布网络，同步估计数据噪声不确定性（Aleatoric Uncertainty）与模型认知不确定性（Epistemic Uncertainty），优先选择不确定度高的复杂场景。
 

图1. 提出的TSceneJAL主动学习系统框架

     在多个数据集上的实验结果表明，TSceneJAL 在 3D 目标检测的主动学习任务中达到了国际领先水平，如图2所示。与现有方法相比，该框架在3D平均精度等多个关键指标上最高提升 11%；在仅标注32% KITTI 数据的情况下，即可达到全量数据 92% 的检测性能；同时，对行人、自行车等弱势类别的检测精度提升10-15%，有效缓解了类别不平衡问题。

图2. 主动学习采样方法在KITTI数据集上感知效果比较
 

     南方科技大学斯发基斯可信自主系统研究院为论文第一单位。张美莹研究助理教授、郝祁教授为共同通讯作者，计算机系硕士生雷晨阳为第一作者。