SPG:基于语义点生成的无监督域自适应三维目标检测
计算机视觉与模式识别
2021-08-17 v1
摘要
在自动驾驶中,基于 LiDAR 的目标检测器应在不同地理位置和各种天气条件下可靠地工作。尽管近期三维检测研究聚焦于提升单一域内的性能,我们的研究揭示现代检测器在跨域时性能可能急剧下降。本文研究基于 LiDAR 的三维目标检测的无监督域自适应(UDA)。在 Waymo 域自适应数据集上,我们将点云质量退化识别为性能下降的根本原因。为解决此问题,我们提出语义点生成(SPG),一种提升 LiDAR 检测器对域偏移鲁棒性的通用方法。具体而言,SPG 在预测的前景区域生成语义点,并忠实恢复由遮挡、低反射率或天气干扰等现象导致的前景目标缺失部分。通过将语义点与原始点合并,我们得到增强点云,可被现代基于 LiDAR 的检测器直接消费。为验证 SPG 的广泛适用性,我们使用两种代表性检测器 PointPillars 和 PV-RCNN 进行实验。在 UDA 任务上,SPG 在所有关注的目标类别及所有难度级别上显著提升两种检测器。SPG 也能惠及原始域中的目标检测。在 Waymo Open Dataset 和 KITTI 上,SPG 提升了这两种方法在所有类别上的三维检测结果。结合 PV-RCNN,SPG 在 KITTI 上取得最先进的(state-of-the-art)三维检测结果。
引用
@article{arxiv.2108.06709,
title = {SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation},
author = {Qiangeng Xu and Yin Zhou and Weiyue Wang and Charles R. Qi and Dragomir Anguelov},
journal= {arXiv preprint arXiv:2108.06709},
year = {2021}
}