摘要

我们提出了一种自集成单阶段物体检测器（Self-Ensembling Single-Stage object Detector, SE-SSD），用于在室外点云中实现准确且高效的三维物体检测。我们的主要关注点是在不增加额外推理计算的情况下，利用我们设计的约束条件同时优化模型中的软目标和硬目标。具体而言，SE-SSD 包含一对教师网络和学生网络的单阶段检测器（SSDs），其中我们设计了一种有效的基于交并比（Intersection over Union, IoU）的匹配策略，以从教师网络中筛选出软目标，并制定了一致性损失来使学生网络的预测结果与这些软目标对齐。此外，为了最大化蒸馏知识以集成教师网络，我们设计了一种新的数据增强方案，生成形状感知的增强样本以训练学生网络，旨在鼓励其推断出完整的物体形状。最后，为了更好地利用硬目标，我们设计了 ODIoU 损失来监督学生网络，对其预测的边界框中心和方向施加约束。我们的 SE-SSD 在所有先前发表的作品中取得了最佳性能。此外，在 KITTI 基准测试中，它在鸟瞰图（Bird's Eye View, BEV）和三维排行榜上分别获得了第 1 名和第 2 名的成绩，并且具有超高的推理速度。代码已发布在 https://github.com/Vegeta2020/SE-SSD。