IAFA：単一画像からの3Dオブジェクト検出を 위한インスタンス感知型特徴集約

単一画像からの3Dオブジェクト検出は、自動運転（AD）において重要なタスクであり、さまざまなアプローチが提案されてきた。しかし、このタスクは本質的に曖昧であり、困難である。なぜなら、単一画像からの深度推定自体がすでに不適切に定義された問題（ill-posed problem）であるからである。本論文では、3Dオブジェクト検出の精度向上に向けた有用な情報を効果的に集約するインスタンス意識型アプローチを提案する。主な貢献は以下の通りである。第一に、3Dバウンディングボックスの回帰に向け、局所的およびグローバルな特徴を収集するインスタンス意識型特徴集約（IAFA）モジュールを提案する。第二に、実験的に、粗いレベルのインスタンスアノテーションを教師信号として用いることで、空間アテンションモジュールが効果的に学習可能であることを発見した。この提案モジュールにより、3つのカテゴリすべてにおいて、ベースライン手法の3D検出性能および2D鳥瞰図（bird-eye's view）における車両検出性能が顕著に向上した。第三に、本手法は、深度情報を補助入力として用いて訓練された他のすべての単一画像ベースのアプローチを上回り、KITTIベンチマークにおいて最先端（state-of-the-art）の3D検出性能を達成した。