SGCCNet: Single-Stage 3D Object Detector With Saliency-Guided Data Augmentation and Confidence Correction Mechanism

单阶段基于点的3D物体检测器因其轻量化和快速推理速度的优势而受到广泛的研究关注。然而，它们仍然面临一些挑战，例如对低质量物体的学习不足（ILQ）和定位精度与分类置信度不一致（MLC）。本文提出了SGCCNet来缓解这两个问题。对于ILQ，SGCCNet采用了Saliency-Guided Data Augmentation（SGDA）策略，通过减少对显著特征的依赖，增强了模型对低质量物体的鲁棒性。具体来说，我们构建了一个分类任务，然后通过可微分的过程将点向点云质心移动来近似点的显著性分数。在训练过程中，SGCCNet将通过删除点从低显著性特征中学习。同时，为了避免删除点造成的内部协变量转移和上下文特征遗忘，我们在每个阶段添加了几何归一化模块和跳跃连接块。对于MLC，我们专门为基于点的多类检测器设计了置信度校正机制（CCM）。该机制通过利用局部区域内其他关键点的预测来校正当前提议的置信度。在KITTI数据集上的大量实验表明了我们SGCCNet的普适性和有效性。在KITTI的测试集上，SGCCNet在Moderate级别的AP3D指标上达到了80.82％，超过了所有其他基于点的检测器，分别比IA-SSD和Fast Point R-CNN高2.35％和3.42％。此外，SGCCNet还展示了对其他基于点的检测器的出色可移植性。

本文旨在解决单阶段基于点的三维物体检测器在低质量物体学习和定位精度与分类置信度不匹配等方面的挑战。

本文提出了SGCCNet来缓解低质量物体学习和定位精度与分类置信度不匹配这两个问题。对于低质量物体学习，SGCCNet采用基于显著性引导的数据增强策略来增强模型对低质量物体的鲁棒性。对于定位精度与分类置信度不匹配，本文设计了一种特定于基于点的多类检测器的置信度校正机制（CCM），通过利用局部区域内其他关键点的预测来校正当前提议的置信度。

本文的实验在KITTI数据集上进行，证明了SGCCNet的泛化性和有效性。在KITTI测试集上，SGCCNet在Moderate级别的AP3D指标上达到了80.82％，优于所有其他基于点的检测器，比IA-SSD和Fast Point R-CNN分别高出2.35％和3.42％。此外，SGCCNet还展示了对其他基于点的检测器的出色可移植性。本文的亮点还包括几何归一化模块和跳跃连接块，以及使用的SGDA和CCM策略。

近期在这个领域中，还有一些相关的研究，例如PointRCNN、STD等。