射线去噪：面向多视角三维目标检测的深度感知困难负样本采样
计算机视觉与模式识别
2024-03-13 v2
摘要
多视角三维目标检测系统常因从图像估计深度的挑战而难以生成精确预测，导致冗余和错误检测增多。本文提出射线去噪（Ray Denoising），一种通过沿相机射线策略性采样构建困难负样本以提升检测精度的创新方法。这些样本在视觉上难以与真阳性区分，迫使模型学习深度感知特征，从而增强其辨别真假阳性的能力。射线去噪被设计为即插即用模块，兼容任何DETR风格的多视角三维检测器，且仅最小程度地增加训练计算成本而不影响推理速度。我们全面的实验，包括详细的消融研究，一致表明射线去噪在多个数据集上优于强基线方法。在NuScenes数据集上，它相较于最先进的StreamPETR方法实现了1.9%的平均精度均值（mAP）提升。在Argoverse 2数据集上，它展现出显著的性能增益，突显了其泛化能力。代码将发布于https://github.com/LiewFeng/RayDN。
引用
@article{arxiv.2402.03634,
title = {Ray Denoising: Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection},
author = {Feng Liu and Tengteng Huang and Qianjing Zhang and Haotian Yao and Chi Zhang and Fang Wan and Qixiang Ye and Yanzhao Zhou},
journal= {arXiv preprint arXiv:2402.03634},
year = {2024}
}