要約
マルチビュー歩行者検出における主な課題は、視点特徴を統合された空間に統合し、包括的なエンドツーエンド認識を実現することである。従来のマルチビュー検出手法は、視点特徴を地面平面に投影することで「鳥瞰図視点（Bird's Eye View: BEV）」表現を生成する方法に注力してきた。本論文では、パラメトリックに依存しない3D特徴引き出し戦略を用いるシンプルながら効果的なアーキテクチャを提案する。この戦略は、3D特徴ボリューム内の各有効ボクセルに対して、対応する2D特徴を直接抽出することで、従来手法で生じる特徴損失の問題を解決する。提案するフレームワークは、マルチビュー検出システムの一般化能力を強化することを目的とした、3つの新規モジュールを導入している。広範な実験を通じて、提案モデルの有効性が実証された。その結果、従来のシナリオだけでなく、特にシーン一般化ベンチマークにおいても、新たな最先端の精度を達成したことが示された。