SGCCNet：基于灵感引导数据增强和置信度校正机制的单阶段 3D 对象检测器

单阶段基于点的 3D 对象检测器因轻量级和快速推理速度受到广泛关注。然而，它们仍面临对低质量对象（ILQ）学习不足和定位精度与分类置信度错位（MLC）等挑战。本文提出 SGCCNet 以缓解这两个问题。针对 ILQ，SGCCNet 采用灵感引导数据增强（SGDA）策略，通过降低对显著特征的依赖来增强模型对低质量对象的鲁棒性。具体地，SGCCNet 构建一个分类任务，然后通过在可微分过程中将点向点云质心移动来近似点的灵感得分。在训练过程中，SGCCNet 将被迫从低灵感特征中学习，通过丢弃点来实现。同时，为避免丢弃点导致的内部协变量偏移和上下文特征遗忘，我们在每个阶段添加了几何归一化模块和跳跃连接块。针对 MLC，我们设计了专为基于点的多类检测器设计的置信度校正机制（CCM）。该机制利用局部区域内其他关键点的预测来校正当前候选框的置信度。在 KITTI 数据集上进行大量实验表明，SGCCNet 的通用性和有效性卓著。在 KITTI 测试集上，SGCCNet 达到了 $80.82\%$ 的 $AP_{3D}$ 指标（Moderate 等级），超越了所有其他基于点的检测器，其中 IA-SSD 和 Fast Point R-CNN 分别提升了 $2.35\%$ 和 $3.42\%$。此外，SGCCNet 对其他基于点的检测器也表现出色的可移植性。