MonoCInIS：基于实例分割的相机无关单目 3D 目标检测
计算机视觉与模式识别
2021-10-04 v1 人工智能
机器人学
摘要
单目 3D 目标检测近期展现出有前景的结果，然而仍存在具有挑战性的问题。其中之一是缺乏对不同相机内参的不变性，这在不同 3D 目标数据集中可见。利用异构 3D 目标数据集组合的努力甚少。与通常直觉相反，我们表明更多数据并不自动保证更好性能，而是方法需要具备一定程度的“相机无关性”才能从大规模异构训练数据中获益。本文提出一种基于实例分割的类别级位姿估计方法，使用相机无关几何推理来应对不同数据集的变化视角与内参。实例的每个像素预测物体尺寸、投影到 2D 图像空间的 3D 物体参考点，以及（可选的）局部视角角。相机内参仅在学习的网络之外用于将预测的 2D 参考点提升为 3D。我们在具挑战性的 KITTI3D 基准上超越相机无关方法，并展示相比相机相关方法的关键优势。
引用
@article{arxiv.2110.00464,
title = {MonoCInIS: Camera Independent Monocular 3D Object Detection using Instance Segmentation},
author = {Jonas Heylen and Mark De Wolf and Bruno Dawagne and Marc Proesmans and Luc Van Gool and Wim Abbeloos and Hazem Abdelkawy and Daniel Olmeda Reino},
journal= {arXiv preprint arXiv:2110.00464},
year = {2021}
}
备注
Accepted to ICCV2021 Workshop on 3D Object Detection from Images