CascadeV-Det：用于3D目标检测的级联点投票
计算机视觉与模式识别
2024-01-17 v1
摘要
无锚框目标检测器在无需额外锚框后处理的情况下高效执行基于点的预测。然而，与2D网格不同，这些检测器中使用的3D点通常远离真实中心，使得精确回归边界框变得具有挑战性。为了解决这个问题，我们提出了一种级联投票（CascadeV）策略，该策略通过基于点的预测提供高质量的3D目标检测。具体而言，CascadeV使用一种新颖的级联投票解码器执行级联检测，该解码器结合了两个新组件：实例感知投票（IA-Voting）和级联点分配（CPA）模块。IA-Voting模块使用条件逆距离加权更新边界框内更新后提议点的目标特征。这种方法防止了特征在实例外部聚合，有助于提高目标检测的准确性。此外，由于模型训练可能因缺乏高中心度的提议点而受到影响，我们开发了CPA模块，通过级联阶段缩小正样本分配阈值。这种方法在早期阶段放宽了对提议中心度的依赖，同时确保在后期阶段有足够数量的高中心度正样本。实验表明，采用我们的CascadeV的FCAF3D在SUN RGB-D上取得了最先进的3D目标检测结果，[email protected]为70.4%，[email protected]为51.6%，并在ScanNet上取得了有竞争力的结果。代码将发布在https://github.com/Sharpiless/CascadeV-Det。
引用
@article{arxiv.2401.07477,
title = {CascadeV-Det: Cascade Point Voting for 3D Object Detection},
author = {Yingping Liang and Ying Fu},
journal= {arXiv preprint arXiv:2401.07477},
year = {2024}
}