3D Cascade RCNN：点云中的高质量目标检测
计算机视觉与模式识别
2022-11-16 v1
摘要
近期 2D 目标检测的进展以 Cascade RCNN 为代表，其利用一系列级联检测器逐步提升候选框质量，以实现高质量目标检测。然而，对于 3D 目标检测这一基于高度稀疏 LiDAR 点云的挑战性检测场景，尚缺乏支持构建此类级联结构的证据。本工作中，我们提出一种简洁而有效的级联架构，称为 3D Cascade RCNN，其基于体素化点云以级联范式分配多个检测器，逐步追求更高质量的 3D 目标检测器。此外，我们定量地将每个目标 3D 边界框内点的稀疏程度定义为点完整度分数，并将其作为每个候选框的任务权重以引导各阶段检测器的学习。其背后的思路是对点分布相对完整的高质量候选框赋予更高权重，同时降低那些极度稀疏、常在训练中引入噪声的候选框的权重。这种完整度感知重加权的设计优雅地将级联范式升级以更适用于稀疏输入数据，且不增加任何 FLOP 开销。通过在 KITTI 数据集与 Waymo Open Dataset 上的大量实验，我们验证了所提 3D Cascade RCNN 相较于最先进 3D 目标检测技术的优越性。源代码公开于 \url{https://github.com/caiqi/Cascasde-3D}。
引用
@article{arxiv.2211.08248,
title = {3D Cascade RCNN: High Quality Object Detection in Point Clouds},
author = {Qi Cai and Yingwei Pan and Ting Yao and Tao Mei},
journal= {arXiv preprint arXiv:2211.08248},
year = {2022}
}
备注
IEEE Transactions on Image Processing (TIP) 2022. The source code is publicly available at \url{https://github.com/caiqi/Cascasde-3D}