摘要

单目3D目标检测旨在从输入的单张2D图像中定位3D边界框，这是一个极具挑战性且尚未完全解决的问题，尤其是在训练和/或推理过程中无法利用任何额外信息（如深度图、激光雷达数据和/或多帧序列）的情况下。本文提出了一种简单而有效的单目3D目标检测方法，该方法不依赖任何额外信息。所提出的MonoCon方法通过在训练过程中引入“单目上下文”（Monocular Contexts）作为辅助任务，以提升单目3D目标检测的性能。其核心思想是：利用图像中物体标注的3D边界框，可在训练阶段获得丰富且结构良好的投影2D监督信号，例如投影后的角点关键点及其相对于2D边界框中心的偏移向量，这些信号应被有效利用为训练中的辅助任务。该方法的理论动机源于测度论中的Cramer-Wold定理。在实现上，MonoCon采用一种极为简洁的端到端架构，以验证学习辅助单目上下文的有效性，该架构包含三个组成部分：基于深度神经网络（DNN）的特征主干网络、若干用于学习3D边界框预测所需关键参数的回归头分支，以及若干用于学习辅助上下文信息的回归头分支。训练完成后，辅助上下文回归分支将被移除，以提升推理效率。在实验中，所提出的MonoCon方法在KITTI基准测试（汽车、行人和骑车人类别）上进行了评估，其在汽车类别的排行榜中超越了所有现有方法，且在行人和骑车人类别上也达到了与现有方法相当的检测精度。得益于其简洁的设计，MonoCon在推理速度方面表现优异，达到了38.7帧/秒（fps），在同类方法中具有最快的推理速度。