- Набор данных LiDAR-CS: набор данных облака точек LiDAR с перекрестными датчиками для обнаружения 3D-объектов (arXiv)
Автор: Цзинь Фан, Динфу Чжоу, Цзинцзин Чжао, Чулинь Тан, Чэн-Чжун Сюй, Лянцзюнь Чжан.
Аннотация: Устройства LiDAR широко используются в сценариях автономного вождения, и исследования трехмерного облака точек достигли значительного прогресса за последние годы. Однако методы, основанные на глубоком обучении, в значительной степени полагаются на данные аннотаций и часто сталкиваются с проблемой обобщения предметной области. В отличие от 2D-изображений, домены которых обычно связаны с информацией о текстуре, функция, извлекаемая из облака 3D-точек, зависит от распределения точек. Из-за отсутствия бенчмарка адаптации 3D-домена обычной практикой является обучение модели на одном бенчмарке (например, Waymo) и оценка ее на другом наборе данных (например, KITTI). Однако в этой настройке есть два типа пробелов в области: область сценариев и область датчиков, что делает оценку и анализ сложными и трудными. Чтобы справиться с этой ситуацией, мы предлагаем набор данных LiDAR с перекрестными датчиками (набор данных LiDAR-CS), который содержит крупномасштабное аннотированное облако точек LiDAR с 6 группами различных датчиков, но с одинаковыми соответствующими сценариями, полученными из гибридного реалистичного симулятора LiDAR. Насколько нам известно, набор данных LiDAR-CS является первым набором данных, ориентированным на пробелы в области датчиков (например, распределение точек) для обнаружения трехмерных объектов в реальном трафике. Кроме того, мы оцениваем и анализируем производительность нескольких базовых детекторов на тесте LiDAR-CS и показываем его приложения.
2. О состязательной устойчивости обнаружения 3D-объектов с помощью камеры (arXiv)
Автор: Шаоюань Се, Цзычао Ли, Зэю Ван, Цыхан Се.
Аннотация: В последние годы обнаружение 3D-объектов с помощью камеры привлекло широкое внимание благодаря своей способности достигать высокой производительности при низких вычислительных затратах. Однако устойчивость этих методов к атакам со стороны противника тщательно не исследовалась. В этом исследовании мы проводим первое всестороннее исследование надежности ведущих методов обнаружения 3D-объектов на основе камер в различных условиях состязательности. Наши эксперименты выявили пять интересных результатов: (а) использование точной оценки глубины эффективно повышает надежность; (b) подходы без оценки глубины не демонстрируют превосходной надежности; © Представления с высоты птичьего полета демонстрируют большую устойчивость к атакам локализации; (d) включение многокадровых безопасных входных данных может эффективно смягчить атаки со стороны противника; и (e) решение проблем с длинным хвостом может повысить надежность. Мы надеемся, что наша работа поможет разработать будущие модули обнаружения объектов на базе камер с улучшенной защитой от злоумышленников.
