StixelNExT：用于目标分割和自由空间检测的单目轻量级感知
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
本文介绍了基于激光雷达和单目摄像头的三维目标检测方法，提出了半监督主动学习框架和新型管道，显著提升了检测性能并降低了标注成本，验证了在KITTI和Waymo数据集上的有效性。
❓
Q&A
StixelNExT的主要创新点是什么？
StixelNExT引入了半监督主动学习框架，结合激光雷达和单目摄像头，显著提升了3D目标检测性能并降低了标注成本。
该方法在KITTI和Waymo数据集上的表现如何？
在KITTI和Waymo数据集上，StixelNExT的方法验证了其有效性，标签成本节约高达17%，并在KITTI 3D和BEV单目物体检测中获得最佳成绩。
StixelNExT如何降低标注成本？
通过利用激光雷达指导单目3D检测器的数据选择和训练，StixelNExT降低了对标注样本的依赖，从而节省了标注成本。
该研究提出了什么样的学习方法？
研究提出了弱监督学习和自监督学习的方法，利用生成的二维框和superpixels进行3D目标检测和语义分割。
StixelNExT在分割准确性方面有什么优势？
采用基于稀疏深度可分离卷积模块的新型管道，StixelNExT减少了网络参数数量，同时保留了整体任务性能，提升了分割准确性。
如何实现无监督的三维检测任务？
通过融合LiDAR数据和2D图像，StixelNExT采用自适应采样和弱模型聚合策略，实现了无监督的三维检测任务中的准确检测。
🏷️
