PEFT-DML：面向自主驾驶中鲁棒多模态 3D 目标检测的参数高效微调深度度量学习
计算机视觉与模式识别
2025-12-02 v1 人工智能
摘要
本研究引入 PEFT-DML，一个针对自主驾驶中鲁棒多模态 3D 目标检测的参数高效深度度量学习框架。不同于传统模型假设传感器固定可用性，PEFT-DML 将多种模态数据 (LiDAR、雷达、摄像头、IMU、GNSS) 映射到共享潜在空间，即使在传感器丢失或遇到未见的模态类别组合情况，也能实现可靠检测。通过集成低秩适配 (LoRA) 和适配器层，PEFT-DML 在显著提升鲁棒性的同时实现了训练效率的显著提升，鲁棒性涵盖快速运动、天气变化以及领域迁移。在 nuScenes 数据集上进行实验，结果显示其准确率优异。
引用
@article{arxiv.2512.00060,
title = {PEFT-DML: Parameter-Efficient Fine-Tuning Deep Metric Learning for Robust Multi-Modal 3D Object Detection in Autonomous Driving},
author = {Abdolazim Rezaei and Mehdi Sookhak},
journal= {arXiv preprint arXiv:2512.00060},
year = {2025}
}