|
|
在本文中，百度研究人员提出了 ，一种基于金字塔组合和 成本量的网络，它可以在跨域泛化和各种基准上的微调精度方面取得良好的性能。特别是，所提出的 是为了两个目的而设计的。首先，研究人员在金字塔的上层构建了组合体，并开发了成本体融合模块来整合它们以进行初始视差估计。其次，研究人员在金字塔的最后一层构建了扭曲体积以进行视差细化。当对合成数据集进行训练并推广到未见过的真实数据集时，该方法表现出强大的跨域泛化能力，并且大大优于现有的最先进技术。
截至 年 月 日，该方法在 上排名第一，在 上排名第二，在 上排名第一。 数据集上的模型泛化能力与微调性能 研究论文： ：基于 的 物体检测的无监督预训练 现有的无监督点云预训练方法仅限于场景级或点 体素级实例辨别。场景级方法往往会丢失对于识别道 电话号码列表 路物体至关重要的局部细节，而点 体素级方法本质上受到有限的感受野的影响，无法感知大型物体或上下文环境。考虑到区域级表示更适合 对象检测，本研究设计了一种新的无监督点云预训练框架，称为 ，它通过对比区域提案来学习鲁棒的 表示。
具体来说，通过从每个点云采样的一组详尽的区域提案，对每个提案内的几何点关系进行建模，以创建富有表现力的提案表示。为了更好地适应 检测属性， 通过簇间和提议间分离进行优化，即增强跨语义类和对象实例的提议表示的辨别力。 的通用性和可迁移性在各种 检测器即 和 和数据集（即 、 和 ）上得到验证。 框架的图示。给定具有不同视图的增强点云，该方法首先对配对区域提案进行采样，然后使用区域提案编码模块提取特征。之后，强制执行提议间区分和簇间分离以优化整个网络。 从 和 学习到的 表示的比较。
|
|
發表於 2023-12-23 19:01:47