面向领域的车辆检测从鸟瞰视角LiDAR点云数据的域适应

来自3D激光雷达传感器的点云数据是多功能安全关键应用（如自动驾驶车辆）中最重要的一种传感器模态。由于点云数据的标注过程既昂贵又耗时，因此近年来利用模拟环境和3D激光雷达传感器来完成这一任务开始受到关注。借助模拟传感器和环境，获取带有注释的合成点云数据的过程变得更加容易。然而，生成的合成点云数据仍然缺乏真实3D激光雷达传感器点云数据中常见的伪影。因此，当在真实点云数据上测试这些训练模型的感知任务性能时，由于模拟环境与真实环境之间的域偏移，其性能会下降。为此，在本研究中，我们提出了一种域适应框架，以弥合合成点云数据与真实点云数据之间的差距。我们提出的框架基于深度循环一致性生成对抗网络（CycleGAN）架构。我们在从真实3D激光雷达传感器获取的鸟瞰图（BEV）点云图像的车辆检测任务上评估了所提框架的性能。实验结果表明，该框架在测试真实BEV点云图像时，平均精度得分比其他基线方法提高了超过7%，表现出具有竞争力的结果。