DeepPoint：一种基于毫米波雷达点云三维重建的深度学习模型
图像与视频处理
2021-09-21 v1 计算机视觉与模式识别
摘要
近期研究表明，毫米波雷达感知在低能见度环境下对目标检测十分有效，这使其成为自动驾驶车辆等自主导航系统中的理想技术。然而，由于雷达信号具有稀疏性、低分辨率、镜面反射和高噪声等特性，通过毫米波雷达感知重建三维物体形状仍极具挑战。基于我们近期提出的 3DRIMR（基于毫米波雷达的三维重建与成像），本文引入 DeepPoint，一种生成点云格式三维物体的深度学习模型，其性能显著优于原始 3DRIMR 设计。该模型采用基于条件生成对抗网络（GAN）的深度神经网络架构。它以 3DRIMR 第一阶段生成物体的二维深度图像为输入，输出物体平滑且稠密的三维点云。模型由一个新颖的生成器网络组成，该网络利用一系列 DeepPoint 块或层，从多个视角观测时提取物体多个粗糙稀疏输入点云并集的本质特征，鉴于这些输入点云可能因 3DRIMR 第一阶段不完善的生成过程而包含许多错误点。DeepPoint 的设计采用深层结构以捕获输入点云的全局特征，并依靠最优选择的 DeepPoint 块数量和跳跃连接来实现相对于原始 3DRIMR 设计的性能提升。我们的实验表明，该模型在三维物体重建上显著优于原始 3DRIMR 及其他标准技术。
引用
@article{arxiv.2109.09188,
title = {DeepPoint: A Deep Learning Model for 3D Reconstruction in Point Clouds via mmWave Radar},
author = {Yue Sun and Honggang Zhang and Zhuoming Huang and Benyuan Liu},
journal= {arXiv preprint arXiv:2109.09188},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2108.02858