CAGroup3D：面向点云三维目标检测的类别感知分组方法
计算机视觉与模式识别
2022-10-11 v1
摘要
我们提出一种新颖的两阶段全稀疏卷积三维目标检测框架，称为 CAGroup3D。我们所提方法首先通过在具有相同语义预测的物表面体素上利用类别感知局部分组策略生成若干高质量三维候选框，该策略考虑了先前自底向上方法所忽视的语义一致性与多样性局部性。然后，为恢复因体素级分割错误而缺失的体素特征，我们构建了一个全稀疏卷积 RoI 池化模块，直接从骨干网络聚合细粒度空间信息以进一步精炼候选框。该模块在内存与计算上均高效，并能更好地编码每个三维候选框的几何特定特征。我们的模型在 ScanNet V2 上以 [email protected] 计取得 +\textit{3.6\%}、在 SUN RGB-D 上取得 +\textit{2.6\%} 的显著增益，实现了最先进的三维检测性能。代码将发布于 https://github.com/Haiyang-W/CAGroup3D。
引用
@article{arxiv.2210.04264,
title = {CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds},
author = {Haiyang Wang and Lihe Ding and Shaocong Dong and Shaoshuai Shi and Aoxue Li and Jianan Li and Zhenguo Li and Liwei Wang},
journal= {arXiv preprint arXiv:2210.04264},
year = {2022}
}
备注
Accept by NeurIPS2022