基于密度重采样的3D目标检测域泛化

基于点云的3D目标检测在遇到具有新颖域差距的数据时会出现性能下降。为此,单域泛化(SDG)旨在将有限单源域上训练的检测模型泛化以在未探索域上鲁棒运行。本文提出一种SDG方法以提升3D目标检测对未知目标域的泛化能力。与以往仅关注数据增强的3D目标检测SDG工作不同,本文引入了新颖的数据增强方法并在方法论上贡献了新的多任务学习策略。具体而言,从数据增强角度,我们设计了通用物理感知的基于密度的数据增强(PDDA)方法,以缓解由点密度差异导致的性能损失。从学习方法角度,我们开发了3D目标检测的多任务学习:在源训练期间,除主标准检测任务外,我们利用辅助自监督3D场景复原任务来增强编码器对背景与前景细节的理解,以更好地识别与检测物体。此外,基于该辅助自监督任务,我们提出了首个用于3D目标检测域泛化的测试时自适应方法,其在测试时高效调整编码器参数以适应未知目标域,进一步缩小域差距。涵盖"Car"、"Pedestrian"和"Cyclist"检测的广泛跨数据集实验表明,我们的方法优于最先进的SDG方法,且在某些情况下甚至超越无监督域适应方法。