3D-FFS：基于传感器融合网络中聚焦视锥搜索的更快三维目标检测
计算机视觉与模式识别
2021-10-05 v2
摘要
在这项工作中，我们提出了 3D-FFS，一种利用一类计算代价低廉的启发式方法使基于传感器融合的三维目标检测网络显著加速的新方法。现有的基于传感器融合的网络通过利用二维目标检测器的推理生成三维区域提议。然而，由于图像没有深度信息，这些网络依赖于从整个场景中提取点的语义特征来定位物体。通过利用点云数据的聚合固有属性（如点密度），3D-FFS 能够大幅约束三维搜索空间，从而在不牺牲精度的情况下显著减少训练时间、推理时间和内存消耗。为证明 3D-FFS 的有效性，我们将其与著名的基于传感器融合的三维目标检测模型 Frustum ConvNet (F-ConvNet) 进行了集成。我们在 KITTI 数据集上评估了 3D-FFS 的性能。与 F-ConvNet 相比，我们的训练时间和推理时间分别提升了高达 62.80% 和 58.96%，同时内存使用量减少了高达 58.53%。此外，我们在 Car、Pedestrian 和 Cyclist 类别上的精度分别提升了 0.36%、0.59% 和 2.19%。3D-FFS 在算力受限的领域（如自动驾驶汽车、无人机和机器人，其中基于 LiDAR-相机 的传感器融合感知系统被广泛使用）展现出很大潜力。
引用
@article{arxiv.2103.08294,
title = {3D-FFS: Faster 3D object detection with Focused Frustum Search in sensor fusion based networks},
author = {Aniruddha Ganguly and Tasin Ishmam and Khandker Aftarul Islam and Md Zahidur Rahman and Md. Shamsuzzoha Bayzid},
journal= {arXiv preprint arXiv:2103.08294},
year = {2021}
}
备注
Contains 6 pages and 2 figures. Manuscript accepted and presented in the IEEE International Conference on Intelligent Robots and Systems (IROS) 2021