詳解3D物體檢測模型 SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation

本文對基于雷射雷達的

無監督域自适應3D物體檢測

進行了研究，在

Waymo Domain Adaptation dataset

上，作者發現

點雲品質的惡化

是3D物件檢測器性能下降的主要原因。是以，作者提出了

Semantic Point Generation (SPG)

方法，首先

在前景點區域生成語義點雲資料，并且複原前景點物體缺失的部分

。然後，

将原始點雲與生成的語義點雲資料進行融合得到增強後的點雲資料

，再使用3D物體檢測器進行檢測。在

Waymo

和

KITTI

資料集上，本體提出的

SPG

方法都大幅提高了3D物檢檢測器的性能。

論文連結為：https://arxiv.org/pdf/2108.06709v1.pdf

1. Introduction

2. Semantic Point Generation

2.1 Training Targets

2.2 Model Structure

2.3 Foreground Region Recovery

2.4 Objectives

3. Experiments