MonoTDP：面向恶劣场景单目3D目标检测的双深度感知
计算机视觉与模式识别
2023-05-26 v2
摘要
3D目标检测在众多智能视觉系统中起着关键作用。开放世界中的检测不可避免地遭遇各种恶劣场景，如浓雾、暴雨和低光照条件。尽管现有工作主要聚焦于多样化网络架构或训练方案，在3D目标检测上取得显著进展，但多数可学习模块在恶劣场景中失效，从而阻碍检测性能。为解决此问题，本文提出一种专为恶劣场景双深度感知设计的单目3D检测模型，称为 MonoTDP，其有效缓解各类严苛环境下检测性能的退化。具体而言，我们首先引入自适应学习策略，帮助模型应对不可控天气条件，显著抵抗各种退化因素导致的性能下降。然后，针对恶劣区域中的深度/内容丢失，我们提出一种新颖的双深度感知模块，同时估计场景深度与物体深度，实现场景级特征与物体级特征的融合。此外，我们构建了一个涵盖广泛挑战性场景（包括雨天、雾天和低光照天气）的新恶劣3D目标检测数据集，每类场景含7481张图像。实验结果表明，在各类恶劣环境下，我们所提方法在汽车类别的 AP_R40 上平均优于当前最先进方法3.12%。
引用
@article{arxiv.2305.10974,
title = {MonoTDP: Twin Depth Perception for Monocular 3D Object Detection in Adverse Scenes},
author = {Xingyuan Li and Jinyuan Liu and Yixin Lei and Long Ma and Xin Fan and Risheng Liu},
journal= {arXiv preprint arXiv:2305.10974},
year = {2023}
}
备注
10 pages, 5 figures, 3 tables