开放集三维目标检测
计算机视觉与模式识别
2021-12-03 v1
摘要
近年来三维目标检测被广泛研究，尤其针对机器人感知系统。然而，现有三维目标检测处于闭集条件下，即网络只能输出已训练类别的框。遗憾的是，该闭集条件对实际使用不够鲁棒，因为它会误将未知目标识别为已知目标。因此，本文提出一种开放集三维目标检测器，旨在（1）如同闭集检测一样识别已知目标，且（2）识别未知目标并给出其准确边界框。具体而言，我们将开放集三维目标检测问题划分为两步：（1）找出极有可能包含未知目标的区域，以及（2）以恰当的边界框包围这些区域的点。第一步通过如下发现解决：未知目标常被以低置信度分类为已知目标，并且我们表明基于度量学习的欧氏距离和相较于朴素 softmax 概率是更好地区分未知与已知目标的置信度分数。在此基础上，使用无监督聚类来精炼未知目标的边界框。所提结合度量学习与无监督聚类的方法称为 MLUC 网络。我们的实验表明，我们的 MLUC 网络取得了最先进的性能，并能如预期般识别已知与未知目标。
引用
@article{arxiv.2112.01135,
title = {Open-set 3D Object Detection},
author = {Jun Cen and Peng Yun and Junhao Cai and Michael Yu Wang and Ming Liu},
journal= {arXiv preprint arXiv:2112.01135},
year = {2021}
}
备注
Received by 3DV 2021