摘要

​ 本文提出了一种基于自集成单级目标检测器(SE-SSD)的室外点云三维目标检测方法。我们的重点是利用我们的公式约束开发软目标和硬目标来联合优化模型，而不引入额外的计算在推理中。具体来说，SE-SSD包含一对teacher 和student ssd，在其中我们设计了一个有效的基于iou的匹配策略，从teacher中过滤软目标，并制定一致性损失对齐student的预测与他们。此外，为了最大限度地利用提炼出来的知识来集成teacher，我们设计了一种新的增强方案来产生形状感知的增强样本来训练student，目的是鼓励student推断出完整的物体形状。最后，为了更好地利用硬目标，我们设计了一个ODIoU损失来监督student与预测盒中心和方向的约束。我们的SE-SSD达到顶级性能相比之前所有出版的作品。此外，它还以超高的推理速度在KITTI基准测试中获得了最高的汽车检测精度(在BEV和3D排行榜上分别排名第一和第二)。

1 简介

​ 为了支持自动驾驶，通常采用激光雷达传感器的3D点云来检测车辆附近的目标。这是一个强大的方法，因为点云随时可用，不管天气(雾还是阳光)和白天的时间(白天还是晚上)。因此，各种基于点云的3D检测器最近被提出。

​ 为了提高检测精度，提取特征的质量是一个重要的因素。这适用于单级和两级探测器。例如，一系列的工作[24,4,25,23]集中于改进区域提议对齐的特征，以更好地细化第二阶段网络。此外，许多方法[3,10,29,12,33,19]试图通过融合RGB图像和3D点云来提取更有分辨力的多模态特征。对于单级检测器，point - gnn[26]采用了一种图神经网络来获得更紧凑的点云表示，而TANet[17]设计了一个精致的三重关注模块来考虑特征智能关系。虽然这些方法提供了重要的见解，但精细的设计往往

文章来源: wanghao.blog.csdn.net，作者：AI浩，版权归原作者所有，如需转载，请联系作者。

原文链接：wanghao.blog.csdn.net/article/details/120875331