3DGS2024论文解析|Ray Denoising Depth-aware Hard Negative Sampling for Multi-view 3D Object Detection
论文标题
Ray-Based Denoising: A Depth-Aware Approach to Difficult Negative Sampling in Multi-View 3D Object Detection 射线去噪：一种基于深度感知的难负样本采样的方法用于多视角三维目标检测
论文链接
深度 aware的难样本选择方法在多视图三维物体检测中的应用 论文下载
论文作者
Li Feng, Huang Tiㄥg ᵀ, Qianjing Chang, Haotian Αυρριανός, Chen qǐ ZHANG, Fang Wan, Qixiang Ye, Yanzhao Zhou
内容简介
我们提出了一种名为射线去噪（Ray Denoising）的方法，在多视角三维目标检测领域中寻求突破。由于多视角三维目标检测系统在深度估计过程中面临的复杂性问题导致冗余信息和难以区分的真实阳性样本的存在。射线去噪通过沿着相机的光轴进行有策略的采样点采集，并生成难以被传统模型误判的真实负样本集合；这些设计巧妙的数据增强手段迫使模型更加注重深度感知特征的学习过程，在此过程中模型得以不断提高区分真实阳性与虚假阳性的能力。该方法设计为模块化结构并可无缝整合到任何基于DETR架构的设计框架中；其主要增加了微小的计算开销却并未影响推理效率。经过一系列实验验证表明该方法在多个基准数据集上表现优于现有的基准方法；在NuScenes数据集上的平均精度提升达1.9%，并在Argoverse 2数据集上展现出显著的优势
分点关键点
射线去噪方法
射线去噪技术通过基于相机光轴的采样构建了难负样本集，在视觉效果上难以与真实正样本区分开来的同时引导模型深入学习感知特征。该方法显著提升了模型在多视角三维目标检测任务中的识别精度。
兼容性与计算成本
射线去噪模块被精心设计为一个即插即用的解决方案。该模块具备与任意基于DETR风格的多视角三维检测器兼容的能力，在训练过程中仅带来微乎其微的计算开销，在推理速度上完全不受影响，并充分验证了其实用性
实验结果与性能提升
基于一系列综合实验研究发现，射线去噪方法展现出卓越的效果，在多个数据集上均表现出色。其中，在NuScenes数据集上的平均精度提升幅度达到了1.9%，而该方法同样在Argoverse 2数据集上实现了明显的性能提升，并充分展示了其良好的泛化能力。
深度感知特征学习
基于射线的去噪技术突显了深度感知特性的关键作用，在生成与真实物体位置相关的困难正样本过程中，使模型能够更准确地区分不同深度层次的对象，并降低了假阳性率
论文代码
代码链接：https://github.com/LiewFeng/RayDN
中文关键词
- 多维度目标探测
2. 深度学习模型中困难样本的采样方法
3. 光线去噪方法
4. 误报率估计
5. 目标识别技术
6. 高效的目标检测系统
AAAI2024论文合集：
期待这些学术资源能够为您提供便利！如果你认为有帮助，请别忘了点赞关注哦~ 之后还会持续为大家分享更多的学术资源！