.png){kind=icon}
返回
PCSU: A Point Cloud Structure Unification Method for Enhancing Generalization in 3-D Object Detection Models
.png){kind=icon}
OA
AI
DOI：10.1109/ojits.2026.3715413.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跨域泛化仍然是基于LiDAR的3D目标检测中的一个关键挑战，这主要源于不同传感器配置、安装角度和环境条件导致的点云分布存在显著差异。尽管先前研究已广泛关注网络层面的适应性调整，但点云预处理的角色尚未得到充分重视。本文系统研究了原始点云的结构差异如何影响3D检测模型的泛化性能，并提出了一种点云结构统一（PCSU）框架以缓解这些差异。PCSU包含三个模块化组件：高度归一化以对齐垂直分布、反射率抑制以减少对传感器特定强度模式的过拟合，以及通过体素中心对齐实现分辨率标准化。通过在多个数据集和检测模型上的广泛实验，我们证明这些结构感知的预处理策略能够在不修改模型架构的情况下普遍提升跨域泛化能力。改进效果在大型物体和近至中等距离范围内最为显著。我们的发现强调了数据层面协调的常被忽视的重要性，并为设计更具泛化能力的3D检测流程提供了可行见解。
Keyword:
LiDAR
3-D object detection
point cloud preprocessing
domain adaptation
structure unification
期刊
I
IF:
5.3
论文数:
253
被引数:
970
机构
引用论文
ASCFormer: An Adaptive Structure-Aware Cascaded Transformer for 3D Object DetectionASCFormer: 用于3D对象检测的自适应结构感知级联转换器
.png){kind=icon}
PREAI
分享收藏3D-VField: Adversarial Augmentation of Point Clouds for Domain Generalization in 3D Object DetectionOAAI
OAAI分享收藏SIEV-Net: A Structure-Information Enhanced Voxel Network for 3D Object Detection From LiDAR Point CloudsSiev-net: 一种结构信息增强的体素网络，用于从激光雷达点云进行3D物体检测
PREAI
分享收藏
查看更多内容