基于语义感知多分支框架的3D目标检测提升
计算机视觉与模式识别
2025-06-11 v3
摘要
在自动驾驶领域，LiDAR 传感器对于获取3D点云至关重要，提供可靠的几何信息。然而，传统的预处理抽样方法往往忽视语义特征，导致细节丢失和地面点干扰，影响3D目标检测效果。为此，本文提出一种基于语义感知多分支框架的3D目标检测方法，采用Semantic-aware Multi-branch Sampling(SMS)模块和多视角一致性约束。SMS模块包括随机抽样、密度均衡抽样(DES)用于增强远处目标、地面抛弃抽样(GAS)以聚焦非地面点。抽样后的多视角点经一致关键点选择(CKPS)模块处理，用于生成高效的候选框采样。一级检测器采用多分支并行学习并融合多视角一致性损失进行特征聚合，二级检测器通过多视角融合池化(MVFP)模块融合多视角数据，精确预测3D目标。实验在KITTI 数据集和Waymo Open Dataset上表明，本方法在各种backbone结构上均实现了卓越的检测性能，尤其对于简单网络结构的低性能backbone效果显著提升。
引用
@article{arxiv.2407.05769,
title = {Boosting 3D Object Detection with Semantic-Aware Multi-Branch Framework},
author = {Hao Jing and Anhong Wang and Lijun Zhao and Yakun Yang and Donghan Bu and Jing Zhang and Yifan Zhang and Junhui Hou},
journal= {arXiv preprint arXiv:2407.05769},
year = {2025}
}