摘要

在本文中，我们提出了一种名为Disp R-CNN的新系统，用于从立体图像中进行三维目标检测。许多近期的研究通过首先利用视差估计恢复点云，然后应用三维检测器来解决这一问题。然而，这种做法需要为整幅图像计算视差图，不仅成本高昂，而且无法充分利用类别特定的先验知识。相比之下，我们设计了一个实例视差估计网络（iDispNet），该网络仅对感兴趣对象上的像素预测视差，并学习类别特定的形状先验以实现更精确的视差估计。为了应对训练过程中视差注释稀缺的挑战，我们提出使用统计形状模型生成密集的视差伪真值，而无需依赖激光雷达点云，这使得我们的系统具有更广泛的应用前景。在KITTI数据集上的实验表明，即使在训练时没有激光雷达真值数据的情况下，Disp R-CNN仍能取得具有竞争力的性能，并且在平均精度方面比之前的最先进方法提高了20%。