在德国训练，在美国测试：使 3D 目标检测器具备泛化能力
计算机视觉与模式识别
2020-05-19 v1
摘要
在自动驾驶领域，深度学习已显著提升了基于 LiDAR 与立体相机数据的 3D 目标检测精度。尽管深度网络擅长泛化，但它们也因过度拟合各类伪 artifacts（伪影）（如亮度、车辆尺寸与型号等可能在数据中持续出现的因素）而臭名昭著。事实上，大多数自动驾驶数据集是在一个国家内少数城市、通常在相似天气条件下收集的。本文中我们考虑将 3D 目标检测器从一个数据集适配到另一个数据集的任务。我们观察到，朴素地迁移似乎是一项极具挑战的任务，导致精度大幅下降。我们进行了大量实验以探究真正的适配挑战，并得出一个令人惊讶的结论：需要克服的主要适配障碍是不同地区间车辆尺寸的差异。基于平均车辆尺寸的简单校正可强力弥补适配差距。我们提出的方法简单且易于集成到大多数 3D 目标检测框架中。它为跨国 3D 目标检测适配提供了首个基线，并让人期待该潜在问题可能比人们所希望的更易把握。我们的代码可在 https://github.com/cxy1997/3D_adapt_auto_driving 获取。
引用
@article{arxiv.2005.08139,
title = {Train in Germany, Test in The USA: Making 3D Object Detectors Generalize},
author = {Yan Wang and Xiangyu Chen and Yurong You and Li Erran and Bharath Hariharan and Mark Campbell and Kilian Q. Weinberger and Wei-Lun Chao},
journal= {arXiv preprint arXiv:2005.08139},
year = {2020}
}
备注
Accepted to 2020 Conference on Computer Vision and Pattern Recognition (CVPR 2020)