GUPNet++：用于单目 3D 目标检测的几何不确定性传播网络
计算机视觉与模式识别
2025-01-08 v2 机器学习
摘要
几何在单目 3D 目标检测中起着重要作用。它可通过物体在物理尺寸与图像平面中 2D 投影之间的透视投影来估计物体深度，从而将数学先验引入深度模型。然而，该投影过程也引入了误差放大：估计高度的错误被放大并反映到投影深度中。这导致不可靠的深度推断，并损害训练稳定性。为解决此问题，我们提出一种新颖的几何不确定性传播网络（GUPNet++），以概率方式对几何投影建模。这确保深度预测有良好的边界并关联合理的确定性。引入此类几何不确定性的意义有两方面：（1）. 它建模了训练过程中几何投影的不确定性传播关系，提升了端到端模型学习的稳定性与效率。（2）. 它可推导为高度可靠的置信度以指示 3D 检测结果的质量，从而实现更可靠的检测推断。实验表明，所提方法不仅在基于图像的单体 3D 检测中取得（最先进的）SOTA 性能，还在简化框架下展现出效能优势。
引用
@article{arxiv.2310.15624,
title = {GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection},
author = {Yan Lu and Xinzhu Ma and Lei Yang and Tianzhu Zhang and Yating Liu and Qi Chu and Tong He and Yonghui Li and Wanli Ouyang},
journal= {arXiv preprint arXiv:2310.15624},
year = {2025}
}
备注
18 pages, 9 figures