重新思考基于IoU的单阶段三维目标检测优化
计算机视觉与模式识别
2022-07-21 v2
摘要
由于基于交并比（IoU）的优化保持了最终IoU预测指标与损失的一致性，它已被广泛用于单阶段二维目标检测器的回归与分类分支。近来，若干三维目标检测方法采用基于IoU的优化并直接用三维IoU替换二维IoU。然而，这种在三维中的直接计算因实现复杂且反向操作低效而代价高昂。此外，基于三维IoU的优化是次优的，因为它对旋转敏感，从而会导致训练不稳定与检测性能退化。本文中，我们提出一种新颖的旋转解耦IoU（RDIoU）方法，可缓解旋转敏感问题，并在训练阶段相比三维IoU产生更高效的优化目标。具体而言，我们的RDIoU通过将旋转变量解耦为独立项来简化回归参数的复杂交互，同时保留三维IoU的几何特性。通过将RDIoU纳入回归与分类分支，网络被促使学习更精确的边界框，并同时克服分类与回归间的错位问题。在基准KITTI与Waymo Open Dataset上的大量实验验证，我们的RDIoU方法能为单阶段三维目标检测带来实质性提升。
引用
@article{arxiv.2207.09332,
title = {Rethinking IoU-based Optimization for Single-stage 3D Object Detection},
author = {Hualian Sheng and Sijia Cai and Na Zhao and Bing Deng and Jianqiang Huang and Xian-Sheng Hua and Min-Jian Zhao and Gim Hee Lee},
journal= {arXiv preprint arXiv:2207.09332},
year = {2022}
}
备注
Accepted by ECCV2022. The code is available at https://github.com/hlsheng1/RDIoU