深度即你所需要的一切：单目3D检测
高能物理 - 理论
2023-05-24 v2 统计力学
强关联电子
高能物理 - 格点
摘要
近期单图像3D检测进展的一个关键贡献者是单目深度估计。现有方法聚焦于如何显式利用深度，通过生成伪点云或为图像特征提供注意力线索。更近期的作品将深度预测作为预训练任务，并在为其训练3D检测时微调深度表示。然而，这种适配不充分且受人工标签规模所限。本工作中，我们提出以无监督方式进一步将深度表示与目标域对齐。我们的方法在训练时利用普遍可用的LiDAR或RGB视频来微调深度表示，从而得到改进的3D检测器。尤其在使用RGB视频时，我们展示由于两任务间损失分布的不一致，先生成伪深度标签的两阶段训练至关重要。无论使用哪类参考数据，我们的多任务学习方法在KITTI和NuScenes上均超越当前最优（state of the art），同时与其单任务子网络的测试时间复杂度相匹配。
引用
@article{arxiv.2210.02492,
title = {The Gross-Neveu-Yukawa Archipelago},
author = {Rajeev S. Erramilli and Luca V. Iliesiu and Petr Kravchuk and Aike Liu and David Poland and David Simmons-Duffin},
journal= {arXiv preprint arXiv:2210.02492},
year = {2023}
}
备注
51 pages, 8 figures, 3 appendices; v2: small corrections and clarifications to match JHEP version