渐进式理解深度图：面向单目三维目标检测的自适应距离区间分离
计算机视觉与模式识别
2023-06-21 v1
摘要
单目三维目标检测旨在仅用单幅图像在不同场景中定位物体。由于深度信息的缺失，若干单目三维检测技术依赖于深度估计任务提供的辅助深度图。理解深度图表示的方法有多种，包括将其视为伪LiDAR点云、利用深度信息的隐式端到端学习，或将其作为图像输入。然而，这些方法存在某些缺陷，例如对估计深度图准确性的依赖，以及因其基于图像的性质导致深度图利用不充分。虽然基于LiDAR的方法和可分别用于伪点云与深度图的卷积神经网络（CNNs），但这始终是一种替代方案。在本文中，我们提出一个名为自适应距离区间分离网络（ADISN）的框架，其采用一种理解深度图的新视角，将其视为介于LiDAR与图像之间的形式。我们利用自适应分离方法，根据距离将深度图划分为多个子图，并将每个子图作为单独图像进行特征提取。自适应分离后，每个子图仅包含学习到的区间范围内的像素。若此范围内存在截断物体，则会出现明显的弯曲边缘，我们可利用CNNs提取该边缘纹理，以获取像素中丰富的深度信息。同时，为缓解深度估计的不准确性，我们设计了一个不确定性模块。为利用图像与深度图两者的优势，我们使用不同分支分别学习定位检测任务与外观任务。
引用
@article{arxiv.2306.10921,
title = {Understanding Depth Map Progressively: Adaptive Distance Interval Separation for Monocular 3d Object Detection},
author = {Xianhui Cheng and Shoumeng Qiu and Zhikang Zou and Jian Pu and Xiangyang Xue},
journal= {arXiv preprint arXiv:2306.10921},
year = {2023}
}