MOS：基于激光雷达的 3D 对象检测测试时适应的模型协同策略
计算机视觉与模式识别
2025-02-11 v3 机器学习
图像与视频处理
摘要
激光雷达 (LiDAR) 基于的 3D 对象检测对于各种应用至关重要，但常常因领域迁移在实际部署时出现性能下降。虽然大多数研究聚焦于跨数据集迁移（如环境和对象几何变化），但实际来自传感器差异和天气条件的实用性损坏仍未得到充分探讨。本文提出了一种新型的在线测试时适应框架，用于 3D 检测器，以有效应对这些迁移，包括一个具有挑战性的跨损坏情景，其中跨数据集迁移和损坏同时发生。通过利用来自前一个测试批次的长期知识，我们的方法有效缓解了灾难性遗忘，并适应多样化的迁移。具体而言，我们提出了模型协同 (MOS) 策略，通过动态选择具有多样化知识的历史检查点并将其组合，以适应当前测试批次。该组合由我们提出的协同权重 (SW) 指导，SW 对选定检查点进行加权平均，以最小化复合模型中的冗余。为维持高效和信息丰富的模型库，我们会丢弃平均 SW 分数最低的检查点，用新更新的模型替换它们。我们的方法在三个数据集和八类损坏类型上针对现有测试时适应策略进行了严格测试，证明其对动态场景和条件具有优越的适应性。值得注意的是，在一个具有挑战性的跨损坏情景中，它实现了 67.3% 的性能提升，为适应性提供了更全面的基准。源码：https://github.com/zhuoxiao-chen/MOS。
引用
@article{arxiv.2406.14878,
title = {MOS: Model Synergy for Test-Time Adaptation on LiDAR-Based 3D Object Detection},
author = {Zhuoxiao Chen and Junjie Meng and Mahsa Baktashmotlagh and Yonggang Zhang and Zi Huang and Yadan Luo},
journal= {arXiv preprint arXiv:2406.14878},
year = {2025}
}
备注
Accepted to ICLR 2025