3DGS2024论文解析|Ray Denoising Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection网站首页 技术杂谈

3DGS2024论文解析|Ray Denoising Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection

paixiaoxin 2025-02-12 12:01:02

简介3DGS2024论文解析|Ray Denoising Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection

论文标题

Ray Denoising: Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection 射线去噪：基于深度感知的难负样本采样用于多视角三维目标检测

论文链接

Ray Denoising: Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection论文下载

论文作者

Feng Liu, Tengteng Huang, Qianjing Zhang, Haotian Yao, Chi Zhang, Fang Wan, Qixiang Ye, Yanzhao Zhou

内容简介

本文提出了一种名为射线去噪（Ray Denoising）的方法，旨在提高多视角三维目标检测的精度。多视角三维目标检测系统在从图像中估计深度时面临挑战，导致冗余和错误的检测。射线去噪通过沿相机射线进行策略性采样，构建难负样本，这些样本在视觉上难以与真正的阳性区分，迫使模型学习深度感知特征，从而提高其区分真阳性和假阳性的能力。该方法设计为即插即用模块，兼容任何DETR风格的多视角三维检测器，且仅在训练计算成本上略有增加，不影响推理速度。实验结果表明，射线去噪在多个数据集上超越了强基线，在NuScenes数据集上比最先进的StreamPETR方法提高了1.9%的平均精度（mAP），并在Argoverse 2数据集上显示出显著的性能提升。

在这里插入图片描述

分点关键点

射线去噪方法
- 射线去噪通过沿相机射线采样构建难负样本，这些样本在视觉上与真阳性难以区分，促使模型学习深度感知特征。该方法显著提高了模型在多视角三维目标检测中的准确性。
兼容性与计算成本
- 射线去噪被设计为即插即用模块，能够与任何DETR风格的多视角三维检测器兼容。它在训练阶段仅略微增加计算成本，而不会影响推理速度，确保了其在实际应用中的可行性。
实验结果与性能提升
- 通过综合实验，射线去噪在多个数据集上表现优异，特别是在NuScenes数据集上，平均精度（mAP）提高了1.9%。在Argoverse 2数据集上也显示出显著的性能提升，证明了其良好的泛化能力。
深度感知特征学习
- 射线去噪方法强调了深度感知特征的重要性，通过构建与地面真实物体位置相关的难负样本，帮助模型更好地理解和区分不同深度的物体，从而减少假阳性预测。