Learnability-Driven Submodular Optimization for Active Roadside 3D Detection¶

会议: CVPR2026
arXiv: 2601.01695
代码: 未公开
领域: autonomous_driving
关键词: 主动学习, 路侧感知, 单目3D检测, BEV, 子模优化, 可学习性, 数据选择

一句话总结¶

提出 LH3D 框架，通过「深度置信度→语义平衡→几何多样性」三阶段子模优化的主动学习策略，抑制路侧单目 3D 检测中固有歧义样本的选取，仅用 20% 标注预算即显著优于传统不确定性/多样性 AL 方法。

背景与动机¶

路侧感知是 L5 自动驾驶的关键补充：自车传感器存在遮挡、交叉口盲区和远距离感知不足的问题，路侧固定摄像头可大幅扩展视野覆盖
标注成本是部署瓶颈：路侧场景中目标密集、远距离小目标多、遮挡严重，单帧 3D 标注需推理深度与遮挡关系，人工标注成本极高
传统主动学习在路侧场景失效：基于不确定性的 AL 方法会优先选择高不确定性样本，而这些恰好是路侧场景中「固有歧义样本」——远距离模糊或严重遮挡的目标，单视角根本无法可靠标注
固有歧义样本的发现：人类专家在缺少车端配对数据时也难以准确标注路侧远距离物体的 3D 属性，揭示了根本性的可学习性问题
人类实验验证：在相同标注预算和类别分布下，用歧义样本训练的检测器在 Vehicle 和 Pedestrian 上 AP 明显低于可学习样本训练的模型，证明歧义样本提供的监督信号更弱
需要新范式：应从「选不确定的」转向「选可学的」，将主动学习的核心目标从不确定性转为可学习性

方法详解¶

整体框架：LH3D（Learnable Hierarchical 3D）¶

基于 LSS-style BEV 检测器（如 BEVHeight），设计三阶段层次化子模选择器，每阶段用 concave-over-modular 子模函数建模，支持贪心优化并有 \((1-1/e)\) 近似保证。

统一目标函数：

\[F(S_q) = [\Phi_A(S_q) - \Phi_A(\mathcal{U})] + [\Phi_B(\mathcal{L}_q \cup S_q) - \Phi_B(\mathcal{L}_q)] + [\Phi_C(\mathcal{L}_q \cup S_q) - \Phi_C(\mathcal{L}_q)]\]

Stage 1: 深度置信度筛选（Depth-Confident Sample Selection）¶

对每张图像的深度预测分布计算归一化 Shannon 熵 \(h_i\)，映射为置信度权重 \(r_i = e^{-\tau h_i}\)
统计每张图像的 argmax 深度 bin 直方图 \(m_i\)，加权聚合为深度覆盖向量
子模目标：\(\Phi_A(S) = \sum_{d=1}^{D} \log(\epsilon + Z_d(S))\)，log 函数保证近/中/远距离 bin 的均衡覆盖
效果：过滤掉深度估计不可靠的歧义场景，优先选择深度可信的样本

Stage 2: 稀有-常见类别平衡（Rare-Common Class Balancing）¶

用当前检测器预测每张图像各类别的目标数量，归一化为类别分布 \(p_i(c)\)
计算每张图像的语义多样性熵 \(\delta_i\)，映射为权重 \(\alpha_i = 1 + \gamma \delta_i\)
子模目标：\(\Phi_B(S) = \sum_{c \in \mathcal{C}} \log(\epsilon + N_c(S))\)，log 饱和机制使得已充分覆盖的类别边际收益急剧递减
效果：防止 Vehicle 主导的长尾问题，提升 Pedestrian 和 Cyclist 等稀有类别的曝光

Stage 3: 几何变异选择（Geometric Variant Selection）¶

对已标注集拟合各类别 BEV 中心和高度的高斯模型 \(\mathcal{N}(\mu_c, \Sigma_c)\)
对候选图像计算预测框在高斯下的负对数似然（NLL）作为几何新颖性分数 \(s_{i,c}\)
子模目标：\(\Phi_C(S) = \sum_{c \in \mathcal{C}} \log(\epsilon + U_c(S))\)
效果：鼓励选择与已学习模式有适度偏差的新布局，同时过滤极端离群值

损失函数与训练¶

检测器采用标准 BEV 管线的检测损失训练
AL 每轮从前一轮 checkpoint 继续训练 5 个 epoch，AdamW (lr=2e-4)，batch=8
初始标注集 500 张图像，每轮选择 100 张，总标注预算 32K 个目标

实验关键数据¶

DAIR-V2X-I 验证集（BEVHeight 骨干，20% 预算，Hard）¶

方法	Vehicle	Pedestrian	Cyclist	Average
RANDOM	51.41	13.42	39.38	34.74
ENTROPY	54.51	16.72	38.57	36.53
BADGE	51.33	14.98	35.35	33.89
PPAL	51.44	18.07	39.71	36.41
HUA	51.48	13.33	34.48	33.10
LH3D (Ours)	56.03	17.67	41.79	38.50

LH3D 在 Hard 模式下平均 AP 比 PPAL 高 +2.09，比 HUA 高 +5.40。

Rope3D 验证集（BEVHeight 骨干，20% 预算，Hard）¶

方法	Vehicle	Pedestrian	Cyclist	Average
RANDOM	19.65	1.50	14.80	11.99
PPAL	24.12	1.73	14.80	13.55
LH3D (Ours)	26.12	2.04	16.69	14.95

消融实验：阶段顺序（BEVHeight，Hard）¶

顺序	Car	Ped	Cyc	Avg
DC→GV→SB	50.62	16.83	37.10	34.85
SB→DC→GV	55.90	12.46	35.95	34.77
GV→DC→SB	40.04	13.02	32.67	28.58
DC→SB→GV (Ours)	56.03	17.67	41.79	38.50

DC 必须在第一阶段（深度是 BEV 的基础），GV 在首位时性能最差（缺乏深度过滤的几何选择引入大量歧义样本）。

跨骨干泛化（DAIR-V2X-I，Hard，Average AP）¶

BEVHeight: 38.50（最优）
BEVSpread: 36.07（最优）
BEVDet: 33.01（最优）

LH3D 在三种 BEV 检测器上均取得最佳结果，验证了方法的通用性。

亮点¶

问题定义新颖：首次明确提出路侧 BEV 感知中的「固有歧义样本」概念，并通过人类实验验证其对训练的负面影响
可学习性驱动的范式转换：从传统 AL 的「不确定性最大化」转向「可学习性最大化」，在路侧场景中更有实际意义
理论保证完备：三个子模目标均有单调性和子模性证明，贪心算法有 \((1-1/e)\) 近似比保证
层次化设计合理：深度→语义→几何的优先级顺序经消融验证为最优，符合 BEV 管线的依赖关系
多数据集多骨干验证充分：在 DAIR-V2X-I 和 Rope3D 上、3 种 BEV 检测器上均一致优于 7 种 AL 基线

局限性 / 可改进方向¶

仅评估了单目 BEV 检测：未扩展到 LiDAR 点云或多模态融合场景，适用范围受限
类别数量极少：仅 3 类（Car/Ped/Cyc），更细粒度的类别（如不同车辆类型）可能需要更复杂的语义平衡策略
远距离和严重遮挡仍是瓶颈：失败案例分析显示远距离车辆和被遮挡的行人/骑行者仍会漏检
深度置信度依赖初始模型：Stage 1 的深度筛选质量受初始小样本训练模型的影响，冷启动阶段效果可能有限
计算开销未详细对比：虽然声称选择开销可忽略，但三阶段级联对大规模池的实际耗时未充分报告
未考虑时序信息：路侧摄像头的视频流中存在时间冗余，选择策略未利用帧间相关性去重

与相关工作的对比¶

vs BADGE/CORESET：这些经典 AL 方法关注不确定性或嵌入空间多样性，在路侧场景中会被歧义样本误导，LH3D 通过深度置信度显式过滤歧义
vs PPAL：PPAL 是近期 SOTA 检测 AL 方法，结合难度校准的不确定性与类别匹配相似度，但未考虑路侧场景特有的深度歧义问题
vs HUA：HUA 用贝叶斯深度学习做层次化不确定性估计，但不确定性高的样本在路侧往往是不可学的，导致性能反而下降
vs BEVHeight/BEVSpread：这些是检测器骨干而非 AL 方法，LH3D 是即插即用的数据选择模块，可搭配任意 BEV 检测器

评分¶

新颖性: ⭐⭐⭐⭐ — 首次将可学习性概念引入路侧 AL，固有歧义样本的定义和人类实验设计有创新
实验充分度: ⭐⭐⭐⭐ — 2 数据集 × 3 骨干 × 7 基线 + 多组消融，但缺少计算开销对比
写作质量: ⭐⭐⭐⭐ — 逻辑清晰、理论严谨，补充材料详尽
价值: ⭐⭐⭐⭐ — 对路侧感知的数据效率有实际意义，但适用范围限于单目 BEV 检测