GrooMeD-NMS：用于单目 3D 目标检测的分组数学可微 NMS
计算机视觉与模式识别
2021-04-01 v1 机器学习
摘要
现代 3D 目标检测器极大受益于端到端学习思想。然而，它们大多仅在推理时使用一种称为非极大抑制（NMS）的后处理算法。尽管曾有将 NMS 纳入如 2D 目标检测等任务训练流程的尝试，但由于 NMS 缺乏数学表达，它们较少被广泛采用。本文提出并集成 GrooMeD-NMS——一种用于单目 3D 目标检测的新型分组数学可微 NMS，使得网络以 NMS 后边界框上的损失进行端到端训练。我们首先将 NMS 表述为矩阵运算，随后以无监督方式对边界框进行分组与掩码，从而得到 NMS 的简单闭式表达。GrooMeD-NMS 解决了训练与推理流程间的失配，从而迫使网络以可微方式选出最佳 3D 框。因此，GrooMeD-NMS 在 KITTI 基准数据集上取得了最先进的单目 3D 目标检测结果，性能可与基于单目视频的方法相媲美。代码与模型见 https://github.com/abhi1kumar/groomed_nms
引用
@article{arxiv.2103.17202,
title = {GrooMeD-NMS: Grouped Mathematically Differentiable NMS for Monocular 3D Object Detection},
author = {Abhinav Kumar and Garrick Brazil and Xiaoming Liu},
journal= {arXiv preprint arXiv:2103.17202},
year = {2021}
}
备注
Accepted to CVPR 2021