基于回溯代表点的点云投票式三维目标检测
计算机视觉与模式识别
2021-04-15 v2
摘要
点云中的三维目标检测是一项具有挑战性的视觉任务，有益于理解三维视觉世界的多种应用。近期大量研究聚焦于如何借助端到端可训练的霍夫投票来生成目标候选。然而，当前的投票策略仅能从潜在物体的表面接收部分选票，并伴随来自杂乱背景的严重离群投票，阻碍了输入点云信息的充分利用。受传统霍夫投票方法中回溯策略的启发，本文提出一种名为回溯代表点网络（BRNet）的新三维目标检测方法，该方法从投票中心生成式地回溯代表点，并重新访问这些生成点周围的补充种子点，从而更好地从原始点云中捕获潜在物体周围的精细局部结构特征。因此，BRNet 中自底向上再自顶向下的策略强化了预测投票中心与原始表面点之间的相互一致性，从而实现更可靠且灵活的目标定位与类别预测结果。我们的 BRNet 简洁而有效，在两个大规模点云数据集 ScanNet V2（[email protected] 提升 7.5%）和 SUN RGB-D（[email protected] 提升 4.7%）上显著优于当前最优方法，同时保持轻量且高效。代码将发布于 https://github.com/cheng052/BRNet。
引用
@article{arxiv.2104.06114,
title = {Back-tracing Representative Points for Voting-based 3D Object Detection in Point Clouds},
author = {Bowen Cheng and Lu Sheng and Shaoshuai Shi and Ming Yang and Dong Xu},
journal= {arXiv preprint arXiv:2104.06114},
year = {2021}
}
备注
CVPR2021