面向单目三维目标检测的模泛化方法
计算机视觉与模式识别
2022-06-14 v4
摘要
单目三维目标检测（Mono3D）随着大规模自动驾驶数据集的出现以及深度学习技术的快速发展取得了巨大进步。然而，由于严重的域差距（例如不同数据集间的视场（FOV）、像素尺寸和物体尺寸），Mono3D 检测器难以泛化，导致在未见域上性能急剧下降。为解决这些问题，我们将位置不变变换和多尺度训练与像素尺寸深度策略相结合，构建了一个有效的统一相机泛化范式（CGP）。它充分考虑了不同相机所捕获图像的 FOV 和像素尺寸差异。此外，我们通过详尽的系统性研究进一步探讨了跨数据集推理时定量指标上的障碍。我们认识到预测的尺寸偏差会导致巨大失败。因此，我们提出 2D-3D 几何一致物体缩放策略（GCOS），通过实例级增强来弥合差距。我们称为 DGMono3D 的方法在所有评估数据集上均取得了卓越性能，并且即使不使用目标域数据也超越了 SOTA 无监督域适应方案。
引用
@article{arxiv.2205.11664,
title = {Towards Model Generalization for Monocular 3D Object Detection},
author = {Zhenyu Li and Zehui Chen and Ang Li and Liangji Fang and Qinhong Jiang and Xianming Liu and Junjun Jiang},
journal= {arXiv preprint arXiv:2205.11664},
year = {2022}
}
备注
Fixed some mistakes