3D IoU-Net：面向点云的 IoU 引导三维目标检测器
计算机视觉与模式识别
2020-04-13 v1
摘要
现有大多数基于点云的三维目标检测器聚焦于分类与边界框回归任务。然而，该领域的另一瓶颈在于为非极大值抑制（NMS）后处理获得准确的检测置信度。本文在常规分类与回归分支之外增加了一个三维 IoU 预测分支，将预测的 IoU 用作 NMS 的检测置信度。为获得更精确的 IoU 预测，我们提出了一种具有 IoU 敏感特征学习与 IoU 对齐操作的三维 IoU-Net。为获得视角不变的预测头，我们提出注意力角点聚合（ACA）模块，通过从八个角点的各个视角聚合局部点云特征，并以不同注意力自适应地加权各视角的贡献。我们提出角点几何编码（CGE）模块用于几何信息嵌入。据我们所知，这是首次在候选框特征学习中引入几何嵌入信息。这两部分特征随后由多层感知机（MLP）网络自适应融合作为我们的 IoU 敏感特征。引入 IoU 对齐操作以解决边界框回归头与 IoU 预测之间的不匹配，从而进一步提升 IoU 预测的精度。在 KITTI 汽车检测基准上的实验结果表明，具有 IoU 感知的三维 IoU-Net 取得了最先进的性能。
引用
@article{arxiv.2004.04962,
title = {3D IoU-Net: IoU Guided 3D Object Detector for Point Clouds},
author = {Jiale Li and Shujie Luo and Ziqi Zhu and Hang Dai and Andrey S. Krylov and Yong Ding and Ling Shao},
journal= {arXiv preprint arXiv:2004.04962},
year = {2020}
}
备注
11 pages, 9 figures