GMM：面向单目三维检测的深度挖掘中梯度感知与模型感知方法探究
计算机视觉与模式识别
2023-07-03 v1 人工智能
摘要
深度感知是单目三维检测任务的关键组成部分，通常涉及不适定问题。鉴于样本挖掘技术在二维目标检测中的成功，我们提出了一种简单而有效的挖掘策略，以改善三维目标检测中的深度感知。具体而言，我们引入了一种朴素度量来评估深度预测的质量，从而为模型选择被挖掘的样本。此外，我们提出了一种用于深度学习的梯度感知与模型感知挖掘策略（GMM），其利用预测的深度质量通过易样本挖掘实现更好的深度学习。GMM是一种通用策略，可轻松应用于多种最先进的单目三维检测器，提升深度预测的精度。在nuScenes数据集上的大量实验表明，所提方法显著提升了三维目标检测的性能，并以较大优势优于其他最先进的样本挖掘技术。在nuScenes基准上，GMM在单目目标检测中取得了最先进（42.1% mAP和47.3% NDS）的性能。
引用
@article{arxiv.2306.17450,
title = {GMM: Delving into Gradient Aware and Model Perceive Depth Mining for Monocular 3D Detection},
author = {Weixin Mao and Jinrong Yang and Zheng Ge and Lin Song and Hongyu Zhou and Tiezheng Mao and Zeming Li and Osamu Yoshie},
journal= {arXiv preprint arXiv:2306.17450},
year = {2023}
}
备注
8 pages, 4 figures