用于点云三维目标检测的深层霍夫投票
计算机视觉与模式识别
2019-08-26 v2
摘要
当前的三维目标检测方法深受二维检测器的影响。为了利用二维检测器中的架构，它们通常将三维点云转换为规则网格（即体素网格或鸟瞰图像），或依赖二维图像中的检测来提出三维框。很少有工作尝试直接在点云中检测物体。在本工作中，我们回归第一性原理，构建尽可能通用的点云数据三维检测流程。然而，由于数据的稀疏性——三维空间中二维流形的采样——我们在直接从场景点预测边界框参数时面临一个重大挑战：三维物体质心可能远离任何表面点，因此难以一步准确回归。为应对该挑战，我们提出 VoteNet，一种基于深度点集网络与霍夫投票协同的端到端三维目标检测网络。我们的模型在两个大规模真实三维扫描数据集 ScanNet 和 SUN RGB-D 上以简洁的设计、紧凑的模型尺寸和高效率实现了最先进的三维检测。值得注意的是，VoteNet 仅使用纯几何信息而不依赖彩色图像，便优于先前的方法。
引用
@article{arxiv.1904.09664,
title = {Deep Hough Voting for 3D Object Detection in Point Clouds},
author = {Charles R. Qi and Or Litany and Kaiming He and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:1904.09664},
year = {2019}
}
备注
ICCV 2019