基于深度融合与噪声扰动增强的两阶段单目3D目标检测

摘要

单目3D目标检测是自动驾驶系统中的重要技术之一，随着自动驾驶需求的增加，单目3D目标检测受到了越来越多的重视.然而，从单幅图像中精确定位3D目标是一个极具挑战性的问题，一方面，深度信息估计的精度还有待提升，另一方面，现有方法通常采用3D与2D检测分支联合训练的策略，这种耦合方式限制了2D检测分支的性能优化.为解决上述问题，本文提出了一种基于深度融合与噪声扰动增强的两阶段单目3D目标检测方法.该方法设计了一种深度信息融合机制，通过评估不同深度估计结果的可靠性，采用自适应加权策略进行深度融合，显著提升了深度估计精度.同时，提出了一种解耦式训练策略，将3D与2D检测分支独立训练，并在2D检测分支中引入噪声扰动，通过数据增强的方式强化2D特征提取能力，从而为3D检测提供更可靠的2D信息支持.在KITTI数据集上对本文提出的模型进行了验证，结果显示该模型对车辆目标识别较好，对于数据集中不同难度的目标都取得了较好的效果.

关键词

3D目标检测 / 噪声扰动 / 特征增强 / 深度融合