CVPRMay, 2020

在德国训练，在美国测试：实现三维物体检测器的泛化

PDF
TL;DR本文研究了自动驾驶中的三维物体检测适应性问题，发现适应性差距的主要障碍在于地理区域间的车辆大小差异，提出了一种简单的校正方法，可用于大多数三维物体检测框架，为跨国家的三维物体检测适应性提供了第一个基准。
autonomous drivingdeep learning3d object detectionadaptationcar sizes
发现论文，激发创造
  • 激光雷达 3D 物体检测器对未知领域的泛化能力的实证研究

    通过系统调查四个在 3D 目标检测的鲁棒性和领域适应中常常被忽视的设计选择（架构、体素编码、数据增强和锚点策略）以及它们之间的相互作用，我们发现用本地点特征的 Transformer 主干比 3D CNN 更加鲁棒，在地理位置适应中关键是在测试时进行的锚点大小调整，源域数据增强允许模型推广到低分辨率传感器，而与预期相反，用干净的天气数据直接训练比用恶劣天气数据训练更能提高对恶劣天气的鲁棒性。我们总结了主要结论和发现，为开发更加鲁棒的 3D 目标检测方法提供实际指导。

    Feb, 2024

  • 利用播放回归进行无监督领域自适应的三维物体检测

    本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

    Mar, 2021

  • 自动驾驶过去遍历特征的无监督领域适应

    通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。

    Sep, 2023

  • 无法学习：为自动驾驶汽车自主识别感知故障

    本文讨论使用深度学习的物体检测方法在自动驾驶汽车中出现的错误，提出了一种自动化方法来识别没有基准标签的物体检测器的错误，重点研究了时间和立体不一致性这两个方面的错检，并展示了数据集和代码供进一步研究。

    Jun, 2017

  • MDT3D: 多数据集训练用于 LiDAR 3D 物体检测泛化

    通过使用多个标注源数据集，并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法，提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。

    Aug, 2023

  • 自动驾驶的 3D 物体检测综述

    本文旨在填补 3D 对象检测在自动驾驶中的知识空白，综述了相关领域的传感器、数据集、性能度量以及最新的检测方法，分析了其优劣，并进行了定量比较和案例研究，最后总结了研究成果和未来发展方向。

    Jun, 2021

  • 面向自动驾驶的具有变换对称性的三维物体检测

    在自动驾驶领域，应用 TED 模型能够高效地检测汽车等 3D 物体。TED 利用稀疏卷积提取多通道等变体素特征，使得其在处理大量数据时仍然能快速的检测物体。同时，在 KITTI 竞赛的排名上表现十分出众，达到全球第一。

    Nov, 2022

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 基于注意力原型的无源迁移学习 3D 物体检测

    本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

    Nov, 2021

  • 从 3D 模型学习深度物体检测器

    通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

    Dec, 2014