3D-SiamRPN：一种基于原始点云实时三维单目标跟踪的端到端学习方法
计算机视觉与模式识别
2021-08-13 v1
摘要
三维单目标跟踪是自主跟随机器人的关键问题，机器人需要鲁棒地跟踪并精确定位目标以实现高效跟随。本文提出一种称为3D-SiamRPN网络的三维跟踪方法，利用原始三维点云数据跟踪单个目标物体。所提网络由两个子网络组成。第一个子网络为特征嵌入子网络，用于点云特征提取与融合。在该子网络中，我们首先使用PointNet++从模板分支和搜索分支提取点云特征。然后，为融合两分支特征信息并获取其相似度，我们提出两个互相关模块，分别命名为Pointcloud-wise和Point-wise。第二个子网络为区域提议网络（RPN），用于基于互相关模块的融合特征得到目标物体最终的3D边界框。在该子网络中，我们利用区域提议子网络的回归与分类分支获取提议与分数，从而得到目标物体最终的3D边界框。在KITTI数据集上的实验结果表明，与最先进（SOTA）方法相比，我们的方法在成功率和精度上均具竞争力，且能以20.8 FPS实时运行。此外，在H3D数据集上的实验表明，我们的方法亦具有良好的泛化能力，可在无需重新训练的情况下在新场景中取得良好跟踪性能。
引用
@article{arxiv.2108.05630,
title = {3D-SiamRPN: An End-to-End Learning Method for Real-Time 3D Single Object Tracking Using Raw Point Cloud},
author = {Zheng Fang and Sifan Zhou and Yubo Cui and Sebastian Scherer},
journal= {arXiv preprint arXiv:2108.05630},
year = {2021}
}