CG-SSD:基于角点引导的激光雷达点云单阶段三维目标检测
计算机视觉与模式识别
2022-03-08 v2
摘要
目前,使用激光雷达点云进行三维目标检测的基于锚框或无锚框模型均采用中心分配策略推断三维边界框。然而,在真实场景中,激光雷达仅能获取有限物体表面点云,物体中心点并不存在。通过聚合不完整表面点云获取物体会给方向与尺寸估计带来精度损失。为此,我们提出一种角点引导的无锚框单阶段三维目标检测模型(CG-SSD)。首先,使用由残差层与子流形稀疏卷积层构成的3D稀疏卷积骨干网络构建鸟瞰图(BEV)特征,并通过轻量U形网络进一步挖掘深层特征;其次,提出一种新颖的角点引导辅助模块(CGAM),将角点监督信号引入神经网络。CGAM经显式设计与训练以检测部分可见与不可见角点,从而获得更精确的物体特征表示,尤其针对小物体或部分遮挡物体;最后,将骨干网络与CGAM模块的深层特征拼接并送入检测头模块,以预测场景中物体的分类与三维边界框。实验表明,CG-SSD在ONCE基准上使用单帧点云数据的有监督三维目标检测上达到最优性能,为62.77% mAP。此外,在ONCE与Waymo Open Dataset上的实验显示,CGAM可作为插件扩展至大多数使用BEV特征检测物体的基于锚框模型,带来+1.17%至+14.27% AP的提升。
引用
@article{arxiv.2202.11868,
title = {CG-SSD: Corner Guided Single Stage 3D Object Detection from LiDAR Point Cloud},
author = {Ruiqi Ma and Chi Chen and Bisheng Yang and Deren Li and Haiping Wang and Yangzi Cong and Zongtian Hu},
journal= {arXiv preprint arXiv:2202.11868},
year = {2022}
}
备注
27 pages