RadarDistill: Boosting Radar-based Object Detection Performance via Knowledge Distillation from LiDAR Features

本文提出了一种名为RadarDistill的新型知识蒸馏方法，可以通过利用LiDAR数据来改善雷达数据的表示，以应对雷达数据固有的嘈杂和稀疏特征对3D物体检测的挑战。RadarDistill成功地利用三个关键组件：跨模态对齐（CMA）、基于激活的特征蒸馏（AFD）和基于提议的特征蒸馏（PFD），将LiDAR特征的良好特性成功地转移至雷达特征中。CMA通过多层膨胀操作增强了雷达特征的密度，有效地解决了从LiDAR到雷达的知识转移效率低的挑战。AFD旨在从LiDAR特征的重要区域转移知识，特别是那些激活强度超过预定阈值的区域。PFD引导雷达网络模仿LiDAR网络特征，以准确检测结果的物体提议为基础，同时调节误检提议的特征，如误报。我们在nuScenes数据集上进行的比较分析表明，RadarDistill在仅使用雷达进行物体检测任务方面实现了最先进的性能（20.5％的mAP和43.7％的NDS）。此外，RadarDistill显著提高了相机-雷达融合模型的性能。

论文旨在解决雷达数据在三维物体检测中的表征问题，提出了一种基于知识蒸馏的方法。

论文提出的RadarDistill方法通过跨模态对齐、基于激活的特征蒸馏和基于提议的特征蒸馏三个关键组件，将激光雷达的特征知识转移到雷达数据中，提高雷达数据的表征能力。

论文在nuScenes数据集上进行了实验，结果表明RadarDistill方法在雷达物体检测任务中取得了20.5%的mAP和43.7%的NDS，达到了当前最先进的水平。此外，RadarDistill方法还显著提高了相机-雷达融合模型的性能。

在雷达数据处理方面，目前已有相关研究，例如基于深度学习的雷达物体检测方法，以及雷达和激光雷达的融合方法。