ECCVMar, 2022

LiDAR 蒸馏：弥合 3D 目标检测激光雷达束诱导的领域差距

PDF
TL;DR本文提出了 LiDAR 蒸馏来弥补由于 3D 物体检测中不同 LiDAR 光束引起的领域差异问题，并通过实验表明该方法有效。
lidar distillation3d object detectiondomain gapbeam-induced domain shiftteacher-student framework
发现论文，激发创造
  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

    Dec, 2022

  • X 射线精简弱到强的三维物体检测

    提出了一种新颖的方法，通过使用 X 射线视觉模型引入 Object-Complete frames 来处理 LiDAR 在 3D 物体检测中的稀疏性和遮挡问题，并且应用于半监督和监督学习场景中，取得了优于现有方法 1-1.5 mAP 的性能提升。

    Mar, 2024

  • RadarDistill：通过从激光雷达特征进行知识蒸馏，提升基于雷达的物体检测性能

    通过使用 LiDAR 数据，RadarDistill 提出了一种新的知识蒸馏（KD）方法，可以改善雷达数据的表示，成功地将 LiDAR 特征的理想特性转移到雷达特征中，从而实现了基于雷达的物体检测任务的最先进性能，并显著改进了相机 - 雷达融合模型的性能。

    Mar, 2024

  • UniLiDAR：消除不同 LiDAR 之间的领域差距以实现持续学习

    该研究旨在发展一种统一模型，能够处理不同的 LiDAR 数据集，实现多个数据集的训练和在异构平台上的部署，通过几何重新对齐和语义标签映射来促进训练并减少性能下降。通过在 OpenOccupancy-nuScenes 和 SemanticKITTI 两个著名数据集上进行全面实验，验证了 UniLiDAR 在填补 LiDAR 领域差距方面的有效性，相比直接合并数据集训练的模型，其占有率预测的 mIoU 分别提高了 15.7% 和 12.5%，并且优于在个别数据集上训练的多种最先进方法。

    Mar, 2024

  • StereoDistill: 从 LiDAR 中精选要素，用于精炼基于立体视觉的三维物体检测

    本文提出了一种跨模态蒸馏方法 StereoDistill，通过在响应级别上从优秀的 LiDAR 模型中提取立体探测器，缩小了立体和基于 LiDAR 的方法之间的差距，其中的关键设计是：用于回归的 X 组件引导蒸馏（XGD）和用于分类的交叉锚定逻辑蒸馏（CLD）。

    Jan, 2023

  • SSDA3D: 3D 点云物体检测的半监督领域适应

    提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

    Dec, 2022

  • 从 3D 到鸟瞰图的知识蒸馏用于 LiDAR 语义分割

    该研究提出了一种有效的三维（3D）到 Bird's-Eye-View（BEV）知识蒸馏方法，将丰富的知识从基于 Voxel 的模型传递到基于 BEV 的模型，该方法应用于自动驾驶领域的 LiDAR 点云分割任务中，明显提高了准确性，SemanticKITTI 数据集是该研究的实验验证平台。

    Apr, 2023

  • 自监督镜像雷达蒸馏用于自动驾驶数据

    该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法，使用 superpixels 来池化 3D 点特征和 2D 像素特征，训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征，从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测，进行了大量的自动驾驶数据集实验以证明其有效性。

    Mar, 2022

  • 基于密度无关的三维物体检测无监督域自适应

    提出一种密度无关的模型，基于点云数据进行 3D 物体检测。采用了一种随机光束重新采样的方法，对目标领域数据进行训练，实现克服领域差异的目的。实验证明该方法显著提高了检测精度和泛化性能，特别在领域数据不均匀的情况下表现优异。

    Apr, 2023

  • 基于鸟瞰 LiDAR 点云数据的车辆检测领域自适应

    本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

    May, 2019