.png){kind=icon}
返回
Instance-aware adaptive label assignment for 3D object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133634.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在3D场景中精确检测物体对自动驾驶至关重要。尽管现有的基于点的方法已取得显著进展，但其对小物体和远距离物体的检测性能仍不理想。我们识别出导致此问题的两个核心问题：正样本数量的不平衡以及回归分支与分类分支之间的错位。为解决这些挑战，我们引入了一种单次检测的3D物体检测器，采用实例感知的标签分配策略和任务感知的平衡损失，命名为Libra-SSD。具体而言，实例感知的标签分配策略采用自适应函数为不同尺寸的实例收集高质量样本。任务感知损失根据分类和回归任务的学习状态动态调整平衡权重。在KITTI和nuScenes数据集上的大量实验证明了我们方法的有效性。我们的Libra-SSD在“cyclist”类别上达到63.11%的平均精度均值（mAP），同时保持74帧每秒的出色速度。
Keyword:
3D object detection
label assignment
instance-aware
balanced loss
autonomous driving
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Comparing synchronous and asynchronous UWB time-based localization systems for Autonomous Mobile Robots.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Convex-Hull Feature Adaptation for Oriented and Densely Packed Object Detection用于定向和密集堆积对象检测的凸包特征自适应
PREAI
分享收藏DSLA: Dynamic smooth label assignment for efficient anchor-free object detectionPATTERN RECOGNITIONOAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏DSQN: Robust path planning of mobile robot based on deep spiking Q-networkDSQN：基于深度脉冲Q网络的移动机器人鲁棒路径规划NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏PV-RCNN plus plus : Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object DetectionPv-rcnn plus: 具有局部向量表示的点体素特征集抽象，用于3D对象检测
OAAI
OAAI分享收藏RagNet3D: Learning distinguishable representation for pooled grids in 3D object detectionNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏3D scene reconstruction enhancement method based on automatic context analysis and convex optimizationNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容