9、单目3D目标检测的鲁棒环境感知与自适应方法

最新推荐文章于 2025-08-31 11:06:45 发布

sprite

最新推荐文章于 2025-08-31 11:06:45 发布

阅读量50

点赞数

CC 4.0 BY-SA版权

分类专栏：智能车辆环境感知与控制新突破文章标签：单目3D目标检测鲁棒检测自适应方法

本文链接：https://blog.csdn.net/sprite/article/details/149607687

智能车辆环境感知与控制新突破专栏收录该内容

29 篇文章 ¥69.90 ¥499.90 限时 7 天

订阅专栏

超级会员免费看

单目3D目标检测的鲁棒环境感知与自适应方法

1. 鲁棒检测与顺序特征及深度提示

在单目3D目标检测中，为了实现更准确的检测，提出了一系列方法。首先是对3D目标的表示，通过公式 $G := \left(\begin{bmatrix}x_{3d}\y_{3d}\z_{3d}\end{bmatrix} + \begin{bmatrix}\pm W/2\\pm H/2\\pm L/2\end{bmatrix}\right)R$ 来表示3D目标的位置和姿态，其中 $R$ 是偏航角 $\theta$ 的旋转矩阵。

为了使2D回归头的损失具有深度感知能力，将 $L_{reg2d}$ 重塑为 $d^{\gamma}L_{reg2d}$，其中 $d$ 表示真实深度，在实验中 $\gamma$ 设置为0.4。同时，还提出了深度提示损失 $L_{dh} = M_{dh}L_1(\xi, \hat{\xi})$，这里 $M_{dh}$ 是一个二进制掩码，如果一个bin不包含任何目标中心，则取值为0。

总损失通过所有上述损失的加权和计算得出，公式为 $L_{total} = \lambda[L_{kp}, d^{\gamma}L_{reg2d}, L_{reg3d}, L_{dh}]^T$，其中 $\lambda = [1, \lambda_1, \lambda_2, \lambda_3]$ 是加权向量。