激光雷达点云引导的单目 3D 目标检测
计算机视觉与模式识别
2022-07-26 v3
摘要
单目 3D 目标检测在自动驾驶与计算机视觉领域是一项具有挑战性的任务。通常，以往多数工作使用人工标注的 3D 框标签，其标注过程代价高昂。本文发现，在单目 3D 检测中精确而细致标注的标签可能并非必要，这是一个有趣且反直觉的发现。使用随机扰动的粗糙标签，检测器可达到与使用真值标签非常接近的精度。我们深入探究其内在机制，并经验性地发现：就标签精度而言，标签中的 3D 位置部分相较于其他部分更受青睐。受上述结论启发并考虑激光雷达精确的 3D 测量，我们提出了一个简单而有效的框架，称为激光雷达点云引导的单目 3D 目标检测（LPCG）。该框架能够降低标注成本，或在不引入额外标注成本的情况下显著提升检测精度。具体而言，它从未标注的激光雷达点云生成伪标签。得益于激光雷达在 3D 空间中精确的测量，此类伪标签的 3D 位置信息精确，可替代人工标注标签用于训练单目 3D 检测器。LPCG 可应用于任意单目 3D 检测器，以充分利用自动驾驶系统中大量无标注数据。结果表明，在 KITTI 基准上，我们以显著优势取得单目 3D 与 BEV（鸟瞰图）检测的第一名；在 Waymo 基准上，我们使用 10% 标注数据的方法达到了使用 100% 标注数据的基线检测器相当精度。代码发布于 https://github.com/SPengLiang/LPCG。
引用
@article{arxiv.2104.09035,
title = {Lidar Point Cloud Guided Monocular 3D Object Detection},
author = {Liang Peng and Fei Liu and Zhengxu Yu and Senbo Yan and Dan Deng and Zheng Yang and Haifeng Liu and Deng Cai},
journal= {arXiv preprint arXiv:2104.09035},
year = {2022}
}
备注
ECCV 2022