可变形PV-RCNN：利用学习的形变改进三维目标检测
计算机视觉与模式识别
2020-08-21 v1 机器学习
摘要
我们提出Deformable PV-RCNN，一种高性能的基于点云的三维目标检测器。目前，最先进的双阶段检测器所用的提议细化方法不能充分适应不同的目标尺度、变化的点云密度、部件形变和杂波。我们提出一个受2D可变形卷积网络启发的提议细化模块，能够自适应地从存在信息性内容的位置收集实例特定特征。我们还提出一种简单的上下文门控机制，允许关键点为此细化阶段选择相关上下文信息。我们在KITTI数据集上展示了最先进的结果。
引用
@article{arxiv.2008.08766,
title = {Deformable PV-RCNN: Improving 3D Object Detection with Learned Deformations},
author = {Prarthana Bhattacharyya and Krzysztof Czarnecki},
journal= {arXiv preprint arXiv:2008.08766},
year = {2020}
}
备注
Accepted at ECCV 2020 Workshop on Perception for Autonomous Driving