面向高性能单阶段3D目标检测的解耦与交互式回归建模
计算机视觉与模式识别
2024-09-04 v1
摘要
回归任务中不充分的边界框建模限制了单阶段3D目标检测的性能。我们的研究揭示了主要原因在于两个方面：(1) 有限的中心偏移预测严重损害了边界框定位，因为许多最高响应位置显著偏离了目标中心。(2) 回归任务中忽略的低质量样本显著影响了边界框预测，因为它产生了不可靠的质量（IoU）校正。为了解决这些问题，我们提出了用于单阶段检测的解耦与交互式回归建模（DIRM）。具体来说，通过一种深度解耦边界框属性的自适应多样本分配策略，实现了解耦属性回归（DAR），以促进中心属性的长距离回归范围建模。另一方面，为了增强低质量结果的IoU预测可靠性，交互式质量预测（IQP）将擅长建模负样本的分类任务与质量预测相结合，进行联合优化。在Waymo和ONCE数据集上的大量实验表明，DIRM显著提高了多种最先进方法的性能，且额外的推理延迟极小。值得注意的是，DIRM在Waymo和ONCE数据集上均实现了最先进的检测性能。
引用
@article{arxiv.2409.00690,
title = {Decoupled and Interactive Regression Modeling for High-performance One-stage 3D Object Detection},
author = {Weiping Xiao and Yiqiang Wu and Chang Liu and Yu Qin and Xiaomao Li and Liming Xin},
journal= {arXiv preprint arXiv:2409.00690},
year = {2024}
}