多样性至关重要:充分挖掘深度线索以实现可靠单目 3D 目标检测
计算机视觉与模式识别
2022-05-20 v1
摘要
作为本质上的病态问题,从单张图像估计深度是单目 3D 目标检测(M3OD)中最具挑战性的部分。许多现有方法依赖预设假设来弥补单目图像中缺失的空间信息,并为每个感兴趣物体预测单一深度值。然而,这些假设在实际应用中并非总成立。为应对该问题,我们提出一种深度求解系统,充分探索 M3OD 中各子任务的视觉线索,并为每个目标的深度生成多种估计。由于深度估计本质上依赖不同假设,它们呈现多样化分布。即便部分假设失效,基于其余假设建立的估计依然可靠。此外,我们开发了深度筛选与融合策略。该策略能够剔除由失效假设引起的异常估计,并自适应地将剩余估计融合为单一值。如此,我们的深度求解系统变得更精确且鲁棒。在不引入任何额外信息的情况下利用 M3OD 多子任务线索,我们的方法在 KITTI 3D 目标检测基准测试集的 Moderate 等级上相对超越当前最优方法逾 20%,同时保持实时效率。
引用
@article{arxiv.2205.09373,
title = {Diversity Matters: Fully Exploiting Depth Clues for Reliable Monocular 3D Object Detection},
author = {Zhuoling Li and Zhan Qu and Yang Zhou and Jianzhuang Liu and Haoqian Wang and Lihui Jiang},
journal= {arXiv preprint arXiv:2205.09373},
year = {2022}
}
备注
This paper has been accepted as an oral presentation of CVPR2022