UVCPNet: A UAV-Vehicle Collaborative Perception Network for 3D Object Detection

随着协同感知技术的进步，其中至关重要的组成部分——空中-地面协同感知的作用越来越重要。跨域代理之间的协同感知需求正在增长，以构建更全面的感知信息。然而，由于跨域代理的视野差异和它们对图像信息的不同敏感性，这也带来了挑战。此外，当我们将图像特征转换为鸟瞰图（BEV）特征进行协同时，我们需要准确的深度信息。为了解决这些问题，我们提出了一个专门为空中-地面协同设计的框架。首先，为了缓解空中-地面协同数据集的缺乏，我们开发了一个名为V2U-COO的虚拟数据集。其次，我们设计了一个跨域交叉自适应（CDCA）模块来对齐从不同领域获得的目标信息，从而实现更准确的感知结果。最后，我们引入了一个协同深度优化（CDO）模块，以获得更精确的深度估计结果，从而导致更准确的感知结果。我们在我们的虚拟数据集和一个公共数据集上进行了广泛的实验，以验证我们的框架的有效性。我们在V2U-COO数据集和DAIR-V2X数据集上的实验表明，我们的方法分别提高了6.1%和2.7%的检测准确率。

论文旨在解决跨域机器人协作感知中的视野差异和深度信息不准确的问题，提出一种专门针对空地协作的框架。

论文提出了虚拟数据集V2U-COO、跨域跨适应（CDCA）模块和协作深度优化（CDO）模块，分别用于数据集缺乏、信息对齐和深度优化，以提高感知结果的准确性。

论文在V2U-COO和DAIR-V2X数据集上进行了实验，结果表明其方法可以将检测准确性分别提高6.1%和2.7%。此外，论文的CDCA和CDO模块也可以应用于其他跨域机器人协作感知任务。

与此相关的研究包括：1）CVPR 2020的“Multi-Modal Domain Adaptation for Fine-Grained Action Recognition”；2）AAAI 2020的“Cross-Domain Object Detection through Coarse-to-Fine Feature Adaptation”等。