Apr, 2024

MonoTAKD: 单目三维目标检测的助教知识蒸馏

PDF
TL;DR通过使用单目摄像头传感器进行教学助理知识蒸馏（MonoTAKD），结合了对于 3D 场景几何形状的理解与从单张图像中重构 3D 对象信息，实现了在 KITTI 3D 对象检测基准中的标杆性能。
monocular 3d object detectionmono3dmonocular camera sensorsteaching assistant knowledge distillationkitti 3d object detection
发现论文，激发创造
  • 跨模态、任务和阶段的知识蒸馏：用于多摄像头三维物体检测的方法

    本文提出 X^3KD，一种基于多模态、多任务、多阶段的知识蒸馏框架，通过跨任务蒸馏、跨模态特征蒸馏、对抗训练以及跨模态输出蒸馏等方式，改进了基于多摄像头图像的 3D 物体检测模型性能，最终 X^3KD 模型在 nuScenes 和 Waymo 数据集上取得了最新的最佳性能表现，并且具有推广到基于雷达的 3D 物体检测的能力。

    Mar, 2023

  • 单目 3D 物体检测的跨模态知识蒸馏网络

    本研究提出了一种基于 Cross-Modality Knowledge Distillation (CMKD) 的半监督训练框架，通过跨模态知识蒸馏能够从大规模未标记数据中有效传输 LiDAR 模态到图像模态的知识，从而显著提高单目三维检测性能，使得该方法在 KITTI 测试集和 Waymo 验证集上的表现明显优于先前最先进的方法。

    Nov, 2022

  • MonoDistill: 学习单目三维物体检测的空间特征

    该研究提出了一种利用激光雷达信号将空间信息引入单目三维检测器的简单有效方案，实验结果显示该方法明显提升了基线模型的性能，并在 KITTI 基准测试中排名第一。

    Jan, 2022

  • 单视图弱监督单目 3D 检测

    利用深度信息，无需任何三维标注或其他训练数据，SKD-WM3D 提出了一种弱监督的单目三维检测框架，通过融合深度信息将图像特征转化为三维表示，有效地消除了单目场景中的深度歧义。实验证明，SKD-WM3D 明显超过了最先进的方法，甚至与许多全监督方法相媲美。

    Feb, 2024

  • MonoSKD：通过 Spearman 等级相关系数进行单目三维物体检测的通用蒸馏框架

    基于 Spearman 相关系数的单目 3D 检测的知识蒸馏框架 MonoSKD，在 KITTI 3D 目标检测基准测试上取得了最先进的性能，没有额外的推理计算成本。

    Oct, 2023

  • 基于注意力机制的深度蒸馏技术与三维感知位置编码在单目三维物体检测中的应用

    提出了一种名为 ADD 的基于注意力的深度知识蒸馏框架，采用 3D 感知的位置编码方式，以在 KITTI 3D 目标检测基准测试上实现单目 3D 目标检测的最先进性能。

    Nov, 2022

  • 单目三维物体检测的全面测试时适应

    基于单目视觉的三维物体检测中，本文提出了一种新的自适应方法 —— 全测试阶段自适应，在无标签测试数据上通过处理潜在的数据分布转移来自适应已经训练好的模型。通过可靠性驱动的自适应策略和噪声保护自适应策略，该方法解决了由异常测试数据引起的物体漏检问题，实验结果表明在离散分布的测试场景中 MonoTTA 模型相对于 Mono 3Det 模型带来了显著的性能提升，KITTI 上平均获得了 190% 的提升，nuScenes 上获得了 198% 的提升。

    May, 2024

  • 基于 3D 增强的对比知识蒸馏，用于基于图像的物体位姿估计

    该研究论文提出了一种基于图像的物体姿态估计方法，利用多模态方法学习的 3D 知识通过对比知识蒸馏框架有效地转移给单模态模型，使其在没有 3D 信息的情况下提升物体姿态估计准确率，实验证明了该方法的有效性。

    Jun, 2022

  • 通过知识蒸馏实现高效的 3D 目标检测

    本文章提出了一种使用知识蒸馏技术开发高效 3D 物体检测器的方法，并在输入分辨率降低和模型压缩方面发掘教师学生模型的差异，基于现有的 KD 方法建立了一个基准测试，提出了一种改进的 KD 流程，最后在 Waymo 数据集上进行了大量实验，实现了比教师模型更高的精度和更快的运行速度。

    May, 2022

  • TIE-KD： 基于教师独立和可解释的知识蒸馏的单目深度估计

    一种名为 TIE-KD 的新型教师无关可解释知识蒸馏框架，基于深度概率图 (DPM) 对教师模型的输出进行解释，实现了高效的基于特征的知识蒸馏，提高了紧凑型学生模型的学习效能，并在评估了 KITTI 数据集后表现出了优于常规响应型知识蒸馏方法的稳健性和适应性。这种方法具有较高的潜力，适用于需要高效、可解释的模型的实际应用和部署。

    Feb, 2024