Exploration de la modélisation temporelle centrée sur l'objet pour une détection 3D multi-vue efficace

Dans cet article, nous proposons un cadre de modélisation de séquences longues, nommé StreamPETR, pour la détection d'objets 3D multivue. Basé sur la conception de requêtes éparse de la série PETR, nous développons systématiquement un mécanisme temporel centré sur les objets. Le modèle est exécuté en ligne et l'information historique à long terme est propagée par le biais des requêtes d'objets image par image. De plus, nous introduisons une normalisation par couche sensible au mouvement pour modéliser le déplacement des objets. StreamPETR réalise des améliorations significatives des performances avec un coût de calcul négligeable, comparativement à la méthode de référence mono-image. Sur le benchmark standard nuScenes, il s'agit de la première méthode multivue en ligne qui atteint des performances comparables (67,6% NDS & 65,3% AMOTA) aux méthodes basées sur le lidar. La version allégée atteint 45,0% mAP et 31,7 FPS, surpassant la méthode d'état de l'art (SOLOFusion) de 2,3% mAP et étant 1,8 fois plus rapide en termes de FPS. Le code est disponible à l'adresse suivante : https://github.com/exiawsh/StreamPETR.git.