ParisLuco3D:LiDAR 感知域泛化的高质量目标数据集
自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差,因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题,域自适应方法假设可以获取来自测试分布的未标注样本。但是,在实际世界中,部署条件和获得代表测试数据集的样本可能无法获得。我们认为,更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先,我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务,从而使得物体检测器对未知域的转换更加鲁棒。其次,我们训练一个 3D 物体检测器,在不同分布之间学习多模态物体特征,并促进这些源域之间的特征不变性,以提高对未知目标域的泛化性能。为此,我们提出了 CLIX$^ ext {3D}$,它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架,它在对不同数据集转换下实现了最先进的域泛化性能。
Apr, 2024
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
该论文设计了第一个实验环境,研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型,有效地减少了领域之间的差距,从而解决了同领域分割方法不能满足跨领域泛化问题的难题。
Apr, 2023
本文提出一种快速、灵活的 LiDAR 数据增强方法 LiDomAug,在语义分割任务中结合了学习方法,使得算法能够更好地适应不同规格的 LiDAR 传感器,从而提高了领域自适应能力,并在 SemanticKITTI 和 nuScenes 数据集上取得了最新的领域自适应性能,同时提出了适用于多种 LiDAR 配置的无传感器模型。
Mar, 2023
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
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
该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集,其中包含了各种城市和郊区地理环境中的 1150 个场景,数据标注为 2D 和 3D 框,而 2D 和 3D 检测和跟踪任务的基线也得到了提供。
Dec, 2019
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
本文介绍了一种无监督领域自适应的方法,使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异,实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。
Apr, 2023