AFDetV2：重新审视从点云进行目标检测中第二阶段的必要性
计算机视觉与模式识别
2022-07-19 v2
摘要
从点云进行三维检测有两条技术路线：单阶段方法和两阶段方法。前者计算效率更高，而后者通常提供更好的检测精度。通过仔细审视两阶段方法，我们发现若设计得当，第一阶段即可产生准确的框回归。在此情形下，第二阶段主要是对框重新打分，从而选出定位更好的框。基于该观察，我们设计了一个能满足这些要求的单阶段无锚框网络。该网络名为 AFDetV2，扩展了先前的工作，在骨干网络中引入自校准卷积块、关键点辅助监督，以及多任务头中的 IoU 预测分支。结果，单阶段的检测精度得到大幅提升。为评估我们的方法，我们在 Waymo Open Dataset 和 nuScenes Dataset 上进行了大量实验。我们观察到 AFDetV2 在这两个数据集上取得了最先进（SOTA）结果，优于所有先前方法，包括单阶段和两阶段三维检测器。AFDetV2 荣获 2021 年 Waymo Open Dataset Challenge 实时三维检测第一名。此外，我们的模型变体 AFDetV2-Base 被挑战赛赞助商评为“最高效模型”，展现出卓越的计算效率。为证明该单阶段方法的通用性，我们也将其应用于两阶段网络的第一阶段。无一例外，结果表明借助增强的骨干网络和重打分方法，不再需要第二阶段细化。
引用
@article{arxiv.2112.09205,
title = {AFDetV2: Rethinking the Necessity of the Second Stage for Object Detection from Point Clouds},
author = {Yihan Hu and Zhuangzhuang Ding and Runzhou Ge and Wenxin Shao and Li Huang and Kun Li and Qiang Liu},
journal= {arXiv preprint arXiv:2112.09205},
year = {2022}
}
备注
AAAI 2022; 1st Place Solution for the Real-time 3D Detection and the Most Efficient Model of the Waymo Open Dataset Challenges 2021 (http://cvpr2021.wad.vision/)