Uni3D：一种面向多数据集 3D 目标检测的统一基线
计算机视觉与模式识别
2023-05-01 v2
摘要
当前的 3D 目标检测模型遵循单一数据集特定的训练与测试范式，当直接部署到另一个数据集时往往面临严重的检测精度下降。本文研究了从多个数据集训练统一 3D 检测器这一任务。我们观察到这似乎是一项具有挑战性的任务，主要原因在于这些数据集由于不同的 LiDAR 类型和数据采集标准而呈现出显著的数据层面差异和分类法层面差异。受此观察启发，我们提出 Uni3D，其利用简单的数据层面校正操作以及所设计的语义层面耦合-解耦模块，分别缓解不可避免的数据层面和分类法层面差异。我们的方法简单且易于与许多 3D 目标检测基线（如 PV-RCNN 和 Voxel-RCNN）结合，使它们能够从多个现成 3D 数据集中有效学习，以获得更具判别力和泛化性的表示。实验在多种数据集整合设置上进行，包括 Waymo-nuScenes、nuScenes-KITTI、Waymo-KITTI 以及 Waymo-nuScenes-KITTI 整合。结果表明 Uni3D 超越了一系列在单一数据集上训练的独立检测器，相较于所选基线检测器参数增加 1.04 倍。我们期望本工作将启发 3D 泛化研究，因其将推动感知性能的极限。
引用
@article{arxiv.2303.06880,
title = {Uni3D: A Unified Baseline for Multi-dataset 3D Object Detection},
author = {Bo Zhang and Jiakang Yuan and Botian Shi and Tao Chen and Yikang Li and Yu Qiao},
journal= {arXiv preprint arXiv:2303.06880},
year = {2023}
}
备注
Accepted by CVPR-2023, and our code is available at https://github.com/PJLab-ADG/3DTrans