要約
本論文では、単眼3D物体検出のための深層適合度スコアリングネットワークの学習を提案します。このネットワークは、提案された領域と物体との間の適合度を明確に評価することを目指しています。既存の大多数の単眼フレームワークが3D位置を取得するために厳しい制約を使用するのとは異なり、我々の手法は投影された3D提案領域と物体との視覚的な適合度を測定することで高精度な局所化を達成します。まず、アンカーに基づく方法を使用して物体の次元と向きを回帰し、適切な3D提案領域を作成します。また、FQNet（Fitting Quality Network）を提案し、2Dの手がかりのみに基づいて3D提案領域と物体との間の3D IoU（Intersection over Union）を推論できるようにしました。したがって、検出プロセス中には3D空間で多数の候補を選択し、これらの3Dバウンディングボックスを個別に2D画像上に投影します。FQNetが出力する3D IoUスコアによって、提案された領域と物体との空間的な重複を探ることで最良の候補を選ぶことができます。KITTIデータセットでの実験結果は、我々のフレームワークの有効性を示しています。