事后方知：利用过往遍历辅助 3D 感知
计算机视觉与模式识别
2022-03-23 v1
摘要
自动驾驶汽车必须准确检测车辆、行人和其它交通参与者以保障安全行驶。体积小、距离远或高度遮挡的物体尤其具有挑战性，因为 LiDAR 点云中用于检测它们的信息有限。为应对该挑战，我们利用来自过去的有价值信息：特别是同一场景过往遍历中收集的数据。我们认为这些通常被丢弃的过往数据，为消歧上述困难情形提供了丰富的上下文信息。为此，我们提出一种新颖的、端到端可训练的 Hindsight 框架，从过往遍历中提取此类上下文信息并存储于易查询的数据结构中，随后可利用该结构辅助同一场景未来的 3D 物体检测。我们表明该框架与大多数现代 3D 检测架构兼容，并能在多个自动驾驶数据集上大幅提升其平均精度，在最困难情形下提升超过 300%。
引用
@article{arxiv.2203.11405,
title = {Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception},
author = {Yurong You and Katie Z Luo and Xiangyu Chen and Junan Chen and Wei-Lun Chao and Wen Sun and Bharath Hariharan and Mark Campbell and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:2203.11405},
year = {2022}
}
备注
Accepted by ICLR 2022. Code is available at https://github.com/YurongYou/Hindsight