通过学习稀疏性不变特征提高3D目标检测泛化能力
计算机视觉与模式识别
2025-02-05 v1 机器人学
摘要
在自动驾驶领域，3D目标检测对于准确识别和跟踪物体至关重要。尽管该任务上的各种技术不断发展，但它们的一个显著缺点是：在检测未知领域中的物体时会出现显著的性能下降。本文提出了一种方法，用于在单一域上提高3D目标检测的泛化能力。我们主要关注从单个源域泛化到具有不同传感器配置和场景分布的目标域。为从单个源域学习稀疏性不变特征，我们选择性地对源数据进行子采样到特定波束，利用当前检测器确定的置信度分数来识别对检测器最重要的密度。随后，我们采用教师-学生框架对不同点云密度的鸟瞰视图(BEV)特征进行对齐。我们还利用特征内容对齐(FCA)和图基嵌入关系对齐(GERA)来指示检测器具有域无关性。大量实验表明，我们的方法在泛化能力方面优于其他基线方法。 Furthermore, our approach even outperforms certain domain adaptation methods that can access to the target domain data.
引用
@article{arxiv.2502.02322,
title = {Improving Generalization Ability for 3D Object Detection by Learning Sparsity-invariant Features},
author = {Hsin-Cheng Lu and Chung-Yi Lin and Winston H. Hsu},
journal= {arXiv preprint arXiv:2502.02322},
year = {2025}
}
备注
Accepted to ICRA 2025. Code is available at https://github.com/Tiffamy/3DOD-LSF