SupFusion：用于3D目标检测的 supervised LiDAR-相机融合
计算机视觉与模式识别
2023-11-01 v2
摘要
本文提出一种称为SupFusion的新型训练策略，其为有效的LiDAR-相机融合提供辅助特征级监督，并显著提升检测性能。我们的策略包含一种名为极采样（Polar Sampling）的数据增强方法，该方法对稀疏目标进行稠密化并训练辅助模型以生成高质量特征作为监督。这些特征随后用于训练LiDAR-相机融合模型，其中融合特征被优化以模拟所生成的高质量特征。此外，我们提出一个简单而有效的深度融合模块，相较先前融合方法借助SupFusion策略持续获得更优性能。如此，我们的方案具有以下优势：首先，SupFusion引入辅助特征级监督，可在不增加额外推理成本的情况下提升LiDAR-相机检测性能；其次，所提出的深度融合能持续提升检测器能力。我们提出的SupFusion与深度融合模块为即插即用，我们进行了大量实验以证明其有效性。具体而言，基于多个LiDAR-相机3D检测器，我们在KITTI基准上获得约2%的3D mAP提升。
引用
@article{arxiv.2309.07084,
title = {SupFusion: Supervised LiDAR-Camera Fusion for 3D Object Detection},
author = {Yiran Qin and Chaoqun Wang and Zijian Kang and Ningning Ma and Zhen Li and Ruimao Zhang},
journal= {arXiv preprint arXiv:2309.07084},
year = {2023}
}
备注
Accepted to ICCV2023