IROAM：改进基于自动驾驶车辆数据的道路侧单目 3D 目标检测学习
计算机视觉与模式识别
2025-01-31 v1 机器人学
摘要
在自动驾驶领域，ego-vehicle 的感知能力可以通过道路侧传感器进行提升，这些传感器可以提供对环境的全面视图。然而，现有的单目检测方法是为车辆摄像头设计的，不适用于道路侧摄像头 due to viewpoint domain gaps。为弥合这一差距并改进道路侧单目 3D 目标检测，我们提出了 IROAM，一种语义-几何解耦对比学习框架，同时将车侧数据和道路侧数据作为输入。IROAM 有两个重要模块。In-Domain Query Interaction 模块利用 transformer 学习每个 domain 的内容和深度信息，并输出目标查询。Cross-Domain Query Enhancement 模块通过解耦查询的语义和几何部分来学习两个 domain 更好的特征表示，仅使用前者进行对比学习。实验结果表明，IROAM 在改善道路侧检测器的性能方面有效。结果表明，IROAM 具备学习跨 domain 信息的能力。
引用
@article{arxiv.2501.18162,
title = {IROAM: Improving Roadside Monocular 3D Object Detection Learning from Autonomous Vehicle Data Domain},
author = {Zhe Wang and Xiaoliang Huo and Siqi Fan and Jingjing Liu and Ya-Qin Zhang and Yan Wang},
journal= {arXiv preprint arXiv:2501.18162},
year = {2025}
}
备注
7 pages, 5 figures, ICRA2025