基于序列特征关联与深度提示增强的单目 3D 目标检测
计算机视觉与模式识别
2022-01-25 v4
摘要
单目 3D 目标检测旨在预测道路物体的几何属性，是自动驾驶智能感知系统的一个有前景的研究课题。大多数最先进的方法遵循基于关键点的范式，即预测物体的关键点并将其作为回归其他几何属性的基础。在这项工作中，提出了一个名为 FADNet 的统一网络来解决单目 3D 目标检测任务。与先前基于关键点的方法不同，我们提出根据物体属性估计难度将输出模态划分为不同组。不同组被区别对待，并通过卷积门控循环单元进行序列关联。本工作的另一贡献是深度提示增强策略。为提供具有表征性的深度模式作为深度估计提示，设计了一个专用的深度提示模块来生成称为深度提示的逐行特征，并以逐 bin 的方式显式监督。通过在 KITTI 基准上进行实验和消融研究验证了本工作的贡献。在不利用深度先验、后优化或其他细化模块的情况下，我们的网络在与最先进方法的竞争中表现良好，同时保持了可观的运行速度。
引用
@article{arxiv.2011.14589,
title = {Monocular 3D Object Detection with Sequential Feature Association and Depth Hint Augmentation},
author = {Tianze Gao and Huihui Pan and Huijun Gao},
journal= {arXiv preprint arXiv:2011.14589},
year = {2022}
}
备注
11 pages, 11 figures. This paper has been accepted by IEEE Transactions of Intelligent Vehicles. Digital Object Identifier: 10.1109/TIV.2022.3143954