MonoCT：通过一致性教师模型克服单目3D检测领域迁移
计算机视觉与模式识别
2025-03-19 v1
摘要
我们解决的是单目3D目标检测在不同传感器、环境和相机设置之间跨领域的问题。本文提出了一种新型无监督域适应方法MonoCT，通过生成高度准确的伪标签实现自监督。受我们观察到的准确深度估计对于缓解领域迁移的关键作用启发，MonoCT引入了一种带有集合概念的新型广义深度增强（GDE）模块，以提高深度估计准确性。此外，我们提出了一种伪标签评分（PLS）模块，通过探索模型内部一致性度量和多样性最大化（DM）策略进一步生成高质量的伪标签以进行自训练。在六个基准测试上进行的广泛实验表明，MonoCT相比现有SOTA域适应方法在AP Mod.上优势显著（最低提升约21%），并在汽车、交通摄像机和无人机视角上表现出良好的泛化能力。
引用
@article{arxiv.2503.13743,
title = {MonoCT: Overcoming Monocular 3D Detection Domain Shift with Consistent Teacher Models},
author = {Johannes Meier and Louis Inchingolo and Oussema Dhaouadi and Yan Xia and Jacques Kaiser and Daniel Cremers},
journal= {arXiv preprint arXiv:2503.13743},
year = {2025}
}
备注
ICRA2025