Detect Closer Surfaces that can be Seen: New Modeling and Evaluation in Cross-domain 3D Object Detection

目前自动驾驶领域中的三维物体检测领域，域自适应技术的性能尚未达到理想水平，主要原因是不同领域中的车辆大小以及操作环境的显著差异。这些因素共同阻碍了从特定数据集中学习的知识的有效转移和应用。由于现有的评估指标最初是为在单一领域上评估而设计的，通过计算预测和地面实况边界框之间的2D或3D重叠，它们经常受到数据集大小差异引起的过度拟合问题的困扰。这引出了一个关于评估三维物体检测模型跨领域性能的基本问题：我们是否真的需要模型在跨领域应用后仍然保持其原始3D边界框的优异性能？从实际应用的角度来看，我们的主要关注点之一实际上是防止车辆与其他障碍物之间的碰撞，尤其是在车辆大小预测更加困难的跨领域场景中。换句话说，只要模型能够准确地识别与自车最接近的表面，就足以有效地避免障碍物。在本文中，我们提出了两个指标来衡量三维物体检测模型检测传感器在自车上更接近的表面的能力，这可以用来更全面、更合理地评估它们的跨领域性能。此外，我们提出了一个名为EdgeHead的细化头，以指导模型更多地关注可学习的更接近的表面，这不仅可以在我们的新指标下极大地提高现有模型的跨领域性能，甚至也可以在原始BEV/3D指标下提高性能。

如何更全面、合理地评估自动驾驶中的3D物体检测模型在跨域场景下的表现？

提出了两个新的评估指标，用于衡量模型在检测更靠近车辆传感器的物体表面时的能力，并设计了一个名为EdgeHead的改进模块，引导模型更加关注可学习的更靠近车辆的物体表面，从而提高模型的跨域性能。

论文提出的新评估指标可以更全面、合理地评估模型在跨域场景下的表现，EdgeHead模块可以大幅提高现有模型在跨域场景下的表现。实验使用了多个数据集，包括KITTI、Waymo等，并开源了代码。

近期的相关研究包括：1.《Domain Adaptive Faster R-CNN for Object Detection in the Wild》；2.《Adversarial Discriminative Domain Adaptation》；3.《Learning to Adapt Structured Output Space for Semantic Segmentation》等。