检测可见的最近表面：跨域3D目标检测的新模型与评估

当前3D目标检测领域的域适应技术性能尚未达到理想水平，这主要源于在不同域中车辆尺寸以及运行环境的显著差异。在跨域应用时，这些因素共同阻碍了从特定数据集中学习到的知识的有效迁移与应用。由于现有评估指标最初是为在单个域上计算预测框与真实框的2D或3D重叠度而设计，往往受数据集尺寸差异导致的过拟合问题。这引出一个根本性问题：在跨域场景中，对3D目标检测模型的评估，我们是否真正需要模型在跨域应用后仍保持在其原始3D边界框中的优异性能？从实际应用角度来看，我们主要关注的是防止车辆与其他障碍物发生碰撞，尤其是在跨域场景中，正确预测车辆尺寸更加困难。也就是说，只要模型能准确识别到距离自车最近的表面，即可有效避免障碍物。在本文中，我们提出了两个度量来衡量3D目标检测模型在自车传感器附近检测最近表面的能力，可用于更全面和合理地评估其跨域性能。此外，我们提出了名为EdgeHead的细化头，以引导模型更关注可学习的最近表面，显著提高了现有模型在我们提出的新指标下，甚至在原始BEV/3D指标下，的跨域性能。