8、单目3D目标检测的鲁棒环境感知技术解析

单目3D目标检测的鲁棒环境感知技术解析

1 单目3D目标检测概述

单目视觉的3D目标检测在智能车辆领域扮演着关键角色，其主要任务是从环境中提取障碍物信息，涵盖目标的类别、位置和方向等。相较于其他类型的传感器，使用单目相机进行3D目标检测具有成本低、易获取等优势，在商业和研究方面都有巨大潜力。

在智能车辆的感知系统中，准确评估周围环境状况至关重要，而3D目标检测是实现这一目标的关键特性，它能让系统预测智能车辆附近重要3D目标的位置、大小和类别。为了提高检测的准确性和鲁棒性，引入了FADNet和AMNet两种方法，下面重点介绍FADNet。

1.1 FADNet与其他方法对比

FADNet在单目3D目标检测中具有独特的创新点，与之前的方法如CenterNet、MonoPair、SMOKE、RMT3D等相比，具有不同的特点。以下是它们的对比表格：
| 方法 | 关键点估计（2D中心） | 关键点估计（3D质心） | 关键点估计（3D顶点） | 顺序特征关联 | 额外分支 |
| — | — | — | — | — | — |
| CenterNet | √ | N/A | | | |
| MonoPair | √ | | | 成对约束 | |
| SMOKE | √ | | | 无 | |
| RMT3D | √ | √ | √ | | 顶点偏移 |
| FADNet | √ | √ | √ | | 深度提示 |

1.2 FADNet的关键举措

FADNet有两个关键举措来提升单目3D目标检测的性能：
- 输出分组和顺序特