MOS: Model Synergy for Test-Time Adaptation on LiDAR-Based 3D Object Detection

本文介绍了一种名为“模型协同（MOS）”的在线适应框架，用于检测器的适应性。在许多应用中，基于LiDAR的三维物体检测至关重要，但是这种检测系统的性能通常在部署后下降，尤其是当面临来自不同位置或受到破坏的未见过的测试点云时。具体而言，MOS从历史检查点库中动态组装最佳超级模型，为每个测试批次提供指导模型更新的长期知识，而不会遗忘。模型组装由提出的协同权重（SW）指导，用于加权平均选择的检查点，以最小化组合超级模型中的冗余。这些权重是通过评估测试数据上预测边界框的相似性和银行中模型对之间的特征独立性来计算的。为了保持信息丰富但紧凑的模型库，我们弹出平均SW得分最低的检查点，并插入新的更新模型权重。我们的方法在三个数据集和八种类型的破坏下进行了严格测试，证明了它对不断变化的场景和条件具有卓越的适应性。值得注意的是，在复杂的“交叉破坏”场景中，我们的方法在性能上提高了67.3％，该场景涉及跨数据集的不一致性和真实世界场景的破坏，提供了更现实的适应性能力测试平台。代码可在https://github.com/zhuoxiao-chen/MOS上获得。

该论文旨在解决LiDAR-based 3D目标检测在部署后面临的性能下降问题，特别是面对来自不同位置或受到污染的未知测试点云时的问题。

论文提出了一种名为Model Synergy（MOS）的在线适应框架，它动态地从历史检查点库中组装最佳超级模型，利用长期知识指导模型更新而不会忘记。该模型组装由提议的协同权重（SW）指导，用于加权平均所选检查点，以最小化复合超级模型中的冗余。这些权重是通过评估测试数据上预测边界框的相似性和模型对之间的特征独立性来计算的。

该论文的方法在三个数据集和八种污染类型下进行了严格测试，展示了其对不断变化的场景和条件的卓越适应性。在复杂的“交叉污染”场景中，该方法实现了67.3％的性能提高，这涉及跨数据集的不一致性和现实世界场景的污染，提供了一个更真实的适应能力测试平台。该代码可以在https://github.com/zhuoxiao-chen/MOS上找到。

在这个领域中，最近的相关研究包括：1）《Range Adaptation for 3D Object Detection in LiDAR》；2）《Learning to Adapt: Meta-Learning for Model-based Control》；3）《Domain Adaptive Faster R-CNN for Object Detection in the Wild》。