通过 4D 雷达张量的多样化特征表示增强 3D 目标检测
计算机视觉与模式识别
2025-05-26 v3
摘要
汽车四维（4D）雷达的最新进展使得能够获取原始 4D 雷达张量（4DRT），提供了比传统点云更丰富的空间和多普勒信息。虽然现有方法大多依赖于经过大量预处理的稀疏雷达数据，但最近尝试利用原始 4DRT 的方法面临计算成本高和可扩展性有限的问题。为了解决这些限制，我们提出了一种新颖的三维（3D）目标检测框架，该框架在保持效率的同时最大化 4DRT 的效用。我们的方法引入了多教师知识蒸馏（KD），其中多个教师模型在源自不同 4DRT 预处理技术的点云上进行训练，每个模型都捕捉互补的信号特征。这些教师表示通过一个专用的聚合模块进行融合，并蒸馏到一个仅基于稀疏雷达输入运行的轻量级学生模型中。在 K-Radar 数据集上的实验结果表明，当使用极其稀疏的输入时，我们的框架在 AP_3D 和 AP_BEV 上分别比基线 RTNH 模型提高了 7.3% 和 9.5%。此外，它达到了与密集输入基线相当的性能，同时将输入数据大小显著减少了约 90 倍，证实了我们方法的可扩展性和效率。
引用
@article{arxiv.2502.06114,
title = {Enhanced 3D Object Detection via Diverse Feature Representations of 4D Radar Tensor},
author = {Seung-Hyun Song and Dong-Hee Paek and Minh-Quan Dao and Ezio Malis and Seung-Hyun Kong},
journal= {arXiv preprint arXiv:2502.06114},
year = {2025}
}
备注
Arxiv preprint version