面向三维目标检测无监督域适应的观察者中心表面补全
计算机视觉与模式识别
2022-09-15 v1
摘要
每个自动驾驶数据集都有不同的传感器配置，源自不同地理区域并涵盖多种场景。因此，三维检测器往往过拟合于其所训练的数据集。这导致检测器在一个数据集上训练而在另一个数据集上测试时准确率急剧下降。我们观察到激光雷达扫描模式差异是性能下降的一大构成因素。我们在方法 SEE-VCN 中对此加以解决，设计了一种新颖的观察者中心表面补全网络（VCN），在无监督域适应框架 SEE 内对感兴趣目标的表面进行补全。借助 SEE-VCN，我们获得跨数据集的目标统一表示，使网络专注于学习几何，而非过拟合于扫描模式。通过采用域不变表示，SEE-VCN 可被视为一种多目标域适应方法，无需标注或重新训练即可获得新扫描模式的三维检测结果。通过大量实验，我们表明我们的方法在多种域适应设定下优于以往的域适应方法。我们的代码与数据可在 https://github.com/darrenjkt/SEE-VCN 获取。
引用
@article{arxiv.2209.06407,
title = {Viewer-Centred Surface Completion for Unsupervised Domain Adaptation in 3D Object Detection},
author = {Darren Tsai and Julie Stephany Berrio and Mao Shan and Eduardo Nebot and Stewart Worrall},
journal= {arXiv preprint arXiv:2209.06407},
year = {2022}
}