通过数据增强放大前后差异——一种更鲁棒的单目朝向估计方案

现有的基于深度学习的单目朝向估计算法面临着物体前后部分混淆的问题，这一问题由交通场景中典型物体（如汽车和行人）前后部分特征相似所导致。尽管难以解决，该问题可能导致严重的朝向估计错误，并对本车后续的决策过程构成威胁，因为物体的预测轨迹方向可能与真实值相反。本文通过提出一种预训练方法来缓解该问题。该方法专注于预测物体朝向所在的左/右半圆。随后将训练好的半圆预测模型集成到朝向角估计模型中，该模型预测 $[0, \pi]$ 范围内的一个值。实验结果表明，所提出的半圆预测提升了朝向估计的准确性，并缓解了上述问题。借助所提方法，一个骨干网络取得了与具有精心设计网络结构的现有方法相类似的SOTA朝向估计性能。