SeaBird：使用Dice损失的鸟瞰图分割改进大物体的单目3D检测
计算机视觉与模式识别
2024-04-01 v1 人工智能
摘要
单目3D检测器在汽车和较小物体上取得了显著性能。然而，它们在较大物体上的性能下降，导致致命事故。一些人将失败归因于训练数据稀缺或大物体对感受野的要求。在本文中，我们强调了这一未被充分研究的大物体泛化问题。我们发现，即使在几乎平衡的数据集上，现代前视检测器也难以泛化到大物体。我们认为失败的原因是深度回归损失对大物体噪声的敏感性。为了弥补这一差距，我们全面研究了回归损失和Dice损失，检查了它们在不同误差水平和物体大小下的鲁棒性。我们从数学上证明，对于简化情况，Dice损失在大物体上比回归损失具有更好的噪声鲁棒性和模型收敛性。利用我们的理论见解，我们提出了SeaBird（鸟瞰图分割）作为泛化到大物体的第一步。SeaBird有效地将前景物体的BEV分割集成到3D检测中，分割头使用Dice损失训练。SeaBird在KITTI-360排行榜上取得了SOTA结果，并在nuScenes排行榜上改进了现有检测器，特别是对于大物体。代码和模型见https://github.com/abhi1kumar/SeaBird。
引用
@article{arxiv.2403.20318,
title = {SeaBird: Segmentation in Bird's View with Dice Loss Improves Monocular 3D Detection of Large Objects},
author = {Abhinav Kumar and Yuliang Guo and Xinyu Huang and Liu Ren and Xiaoming Liu},
journal= {arXiv preprint arXiv:2403.20318},
year = {2024}
}
备注
CVPR 2024