HD-OOD3D：LiDAR 数据中的监督式和无监督式异常分布目标检测
计算机视觉与模式识别
2025-09-16 v3
摘要
自动化系统依赖于从 LiDAR 数据中获得准确的 3D 目标检测，但大多数检测器仅限于预定义的已知类别，使其对意外的异常分布 (OOD) 目标十分脆弱。本文提出了 HD-OOD3D，一种新颖的两阶段方法，用于检测未知目标。我们展示了两阶段方法优于单阶段方法的优势，实现了对未知目标的更稳健检测，同时解决了关键评估协议中的挑战。此外，我们深入分析了 OOD 检测的标准评估协议，揭示了超参数选择的关键影响。为应对扩大未知目标学习的挑战，我们探索了生成未知目标伪标签的无监督训练策略。在评估的不同方法中，我们的实验表明，Top-5 自动标注相较于简单调整大小技术表现更具前景。
引用
@article{arxiv.2410.23767,
title = {HD-OOD3D: Supervised and Unsupervised Out-of-Distribution object detection in LiDAR data},
author = {Louis Soum-Fontez and Jean-Emmanuel Deschaud and François Goulette},
journal= {arXiv preprint arXiv:2410.23767},
year = {2025}
}
备注
IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025