MonoLite3D：轻量级 3D 物体属性估计
计算机视觉与模式识别
2025-03-05 v1
摘要
对环境的可靠感知在实现高效自动驾驶车辆方面起着至关重要的作用。因此，感知系统需要在特定时间约束内获取有关周围物体的全面 3D 数据，包括其尺寸、空间位置和方向。深度学习在感知系统中获得了极大的普及，使得能够将相机捕获的图像特征转换为有意义的语义信息。本文介绍了 MonoLite3D 网络，这是一种对嵌入式设备友好的轻量级深度学习方法，专为资源受限的硬件环境设计。MonoLite3D 网络是一项前沿技术，专注于仅从单目图像中估计 3D 物体的多种属性，包括其尺寸和空间方向。这种方法专为满足资源受限环境的要求而设计，使其非常适合部署在计算能力有限的设备上。实验结果验证了所提方法在 KITTI 数据集方向基准上的准确性和效率。它在中等难度类别上取得了 82.27% 的高分，在困难类别上取得了 69.81% 的成绩，同时仍满足实时性要求。
引用
@article{arxiv.2503.02201,
title = {MonoLite3D: Lightweight 3D Object Properties Estimation},
author = {Ahmed El-Dawy and Amr El-Zawawi and Mohamed El-Habrouk},
journal= {arXiv preprint arXiv:2503.02201},
year = {2025}
}