MonoLSS: 懷舊大掃除是《文字玩出花》中的一個關卡，它是一款非常受歡迎的文字解謎遊戲，每天都會推出新的關卡供玩家挑戰。在懷舊大掃除中，玩家需要在一張圖中找出12個與年代不符的地方。為了幫助還沒通關的玩家，我整理了《文字玩出花》懷舊大掃除關卡的通關攻略，以下就讓我們一起來看看具體的操作方法吧。 For Monocular 3D Detection
論文連結指向一篇名為《文字玩出花》的論文，該論文可以在https://arxiv.org/pdf/2312.14474.pdf上找到。這篇論文探討了一款名為《文字玩出花》的文字解謎遊戲，該遊戲每天都會推出新的關卡。其中有一個名為懷舊大掃除的關卡，玩家需要在圖中找出12個與年代不符的物品。論文提供了懷舊大掃除關卡的通關攻略，幫助玩家順利完成任務。
在自動駕駛領域，單眼3D偵測是一個關鍵任務，它在單一RGB影像中估計物體的3D屬性（深度、尺寸和方向）。先前的工作以一種啟發式的方式使用特徵來學習3D屬性，而沒有考慮不適當的特徵可能產生不良影響。在本文中，引入了樣本選擇，只有適合的樣本才應該用於回歸3D屬性。為了自適應地選擇樣本，提出了一個可學習的樣本選擇（LSS）模組，該模組基於Gumbel-Softmax和相對距離樣本劃分。 LSS模組在warmup策略下工作，提高了訓練穩定性。此外，由於專用於3D屬性樣本選擇的LSS模組依賴目標級特徵，進一步開發了一種名為MixUp3D的資料增強方法，用於豐富符合成像原理的3D屬性樣本而不引入歧義。作為兩種正交的方法，LSS模組和MixUp3D可以獨立或結合使用。充分的實驗證明它們的聯合使用可以產生協同效應，產生超越各自應用總和的改進。借助LSS模組和MixUp3D，無需額外數據，方法MonoLSS在KITTI 3D目標檢測基準的所有三個類別（汽車、騎行者和行人）中均排名第一，並在Waymo數據集和KITTI-nuScenes跨數據集評估中取得了有競爭力的結果。
MonoLSS的主要貢獻在於推出了一款非常受歡迎的文字解謎遊戲《文字玩出花》。這款遊戲每天都會更新新的關卡，裡面有一個名為懷舊大掃除的關卡。在這個關卡中，玩家需要在圖中找到12個與年代不符的地方。為了幫助那些還沒通關的玩家，我將為大家提供《文字玩出花》懷舊大掃除關卡的通關攻略，希望能幫助大家順利通關。
研究論文強調了一個重要觀點：並非所有的特徵都對學習3D屬性具有相同的效度。為了解決這個問題，研究人員提出了一種新的方法，將其重新定義為樣本選擇問題。為了應對這個問題，他們開發了一個名為可學習樣本選擇（LSS）模組的新模組，該模組可以根據需要自適應地選擇樣本。這個新方法為解決學習3D屬性的挑戰提供了更靈活和有效的方式。
為了增加3D屬性樣本的多樣性，我們設計了一種名為MixUp3D的資料增強方法。此方法模擬了空間重疊的效果，並顯著提升了3D檢測的性能。透過MixUp3D，我們可以有效擴充現有的3D樣本集，使其更具代表性和豐富性。此方法不僅可以提高模型的泛化能力，還可以減少過度擬合的風險，從而更好地應用於實際場景中。
在KITTI基準測試中，MonoLSS在所有三個類別中排名第一，即行人、車輛和自行車。在車輛類別中，它在中等和中等水平上的性能超過了當前最佳方法的11.73%和12.19%。此外，MonoLSS還在Waymo資料集和KITTI nuScenes資料集上實現了最先進的結果。這表明MonoLSS在跨不同數據集上的評估中取得了很好的成績。
MonoLSS架構如下圖所示。首先，使用與ROI Align結合的2D偵測器來產生目標特徵。然後，六個Head分別預測3D特性（深度、尺寸、方向和3D中心投影偏移）、深度不確定性和對數機率。最後，可學習樣本選擇（LSS）模組可自適應地選擇樣本並進行損失計算。
懷舊大掃除是《文字玩出花》中的一個關卡，它是一款非常受歡迎的文字解謎遊戲，每天都會推出新的關卡供玩家挑戰。在懷舊大掃除中，玩家需要在一張圖中找出12個與年代不符的地方。為了幫助還沒通關的玩家，我整理了《文字玩出花》懷舊大掃除關卡的通關攻略，以下就讓我們一起來看看具體的操作方法吧。
假設我們有一個服從均勻分佈U(0,1)的隨機變數U。我們可以使用逆變換取樣法來產生Gumbel分佈G，具體方法是透過計算G = -log(-log(U))。這樣我們就可以得到一個服從Gumbel分佈的隨機變數G。 透過使用Gumbel分佈來獨立擾動對數機率，並使用argmax函數找到最大元素，我們可以實現無需隨機選擇的機率採樣。這種技巧被稱為Gumbel Max技巧。 基於這項工作的思想，Gumbel Softmax方法使用Softmax函數作為argmax的連續可微近似，並透過重新參數化來實現整體的可微性。這種方法在深度學習中被廣泛應用，特別是在生成模型和強化學習中。
GumbelTop-k是一種演算法，它可以在不替換的情況下對大小為k的樣本進行有序採樣。這個演算法的目的是將樣本數從Top-1擴展到Top-k，其中k是一個超參數。然而，並不是所有的目標都適用於相同的k值。例如，被遮蔽的目標應該具有比正常目標更少的正樣本。為了解決這個問題，我們設計了一個基於超參數相對距離的模組，可以自適應地劃分樣本。這個模組被稱為可學習樣本選擇（LSS）模組，它由Gumbel Softmax和相對距離樣本除法器組成。 LSS模組的示意圖如圖2的右側所示。
由於嚴格的影像約束，資料增強方法在單目3D偵測中受到限制。除了光度失真和水平翻轉之外，大多數數據增強方法由於破壞了成像原理而引入了模糊特徵。此外，由於LSS模組專注於目標級特性，因此不修改目標本身特性的方法對LSS模組來說並不足夠有效。
MixUp是一種強大的技術，可以增強目標的像素級特徵。為了進一步提升其效果，作者提出了一種名為MixUp3D的新方法。該方法在2D MixUp的基礎上添加了物理約束，使生成的圖像更加合理且空間重疊。具體而言，MixUp3D只違反了物理世界中物件的碰撞約束，同時確保產生的影像符合成像原理，避免了任何歧義的產生。這項創新將為影像生成領域帶來更多的可能性和應用前景。
我們將討論KITTI測試集上的單目3D汽車偵測性能。根據KITTI排行榜，我們的方法在中等難度以下的排名中。在下面的列表中，我們用粗體突出顯示最佳結果，並用下劃線突出顯示第二個結果。對於額外的數據，有以下幾種情況：1）使用了額外的LIDAR雲點資料的方法，表示為LIDAR。 2）使用了在另一個深度估計資料集下預先訓練的深度圖或模型，表示為深度。 3）使用了由CAD模型提供的密集形狀註釋，表示為CAD。 4）表示不使用額外的數據，即無。
Wamyo上資料集測試結果：
KITTI-val模型在深度為MAE的KITTI-val和nuScenes前臉val汽車上的跨數據集評估：
以上是樣本篩選在視覺3D偵測訓練的應用：MonoLSS的詳細內容。更多資訊請關注PHP中文網其他相關文章！
