寒冷天气条件下的鲁棒三维目标检测

恶劣天气条件会对基于LiDAR的目标检测器产生负面影响。在本工作中，我们聚焦于寒冷天气下车辆尾气凝结这一现象。这一日常效应会影响目标尺寸与朝向的估计，并引入幽灵目标检测，从而损害最先进目标检测器的可靠性。我们提出通过数据增强与一项新颖的训练损失项来解决该问题。为了有效训练深度神经网络，需要大量标注数据。在恶劣天气条件下，这一过程可能极为繁琐且昂贵。我们分两步解决此问题：首先，我们提出一种基于三维表面重建与采样的尾气数据生成方法，该方法使我们能够从小规模标注数据池生成大量尾气云。其次，我们引入一种点云增强过程，可用于向在良好天气条件下记录的数据集添加尾气。最后，我们构建了一项新的训练损失项，其利用增强点云通过惩罚包含噪声的预测来提升目标检测鲁棒性。与其他工作不同，我们的方法可同时用于基于栅格与基于点的检测器。此外，由于我们的方法无需任何网络架构改动，推理时间保持不变。在真实数据上的实验结果表明，我们所提方法大幅提升了对尾气与噪声数据的鲁棒性。