DuEqNet：面向自动驾驶室外3D目标检测的对偶等变网络
计算机视觉与模式识别
2023-02-28 v1
摘要
室外3D目标检测在自动驾驶环境感知中起着至关重要的作用。在复杂交通情形下，精准的目标识别为动态系统中的预测与规划提供不可或缺的信息，提升自动驾驶的安全性与可靠性。然而，随着车辆转向，周边场景的持续旋转给感知系统带来挑战。现有多数方法尚未关注缓解由车辆旋转引起的检测精度退化，尤其在室外3D检测中。本文提出DuEqNet，通过分层嵌入框架首次将等变概念引入3D目标检测网络。我们模型的对偶等变性可分别在局部与全局层面提取等变特征。对于局部特征，我们利用基于图的策略保证点云柱中特征的等变性；对于全局特征，采用群等变卷积层聚合局部特征以实现全局等变。在实验部分，我们在3D目标检测任务中以不同基线评估本方法，取得了最先进（State-Of-The-Art）性能。结果显示，我们的模型在朝向精度与预测效率上更优。此外，我们的对偶等变策略在各种流行目标检测框架上展现出令人满意的即插即用能力以提升其性能。
引用
@article{arxiv.2302.13577,
title = {DuEqNet: Dual-Equivariance Network in Outdoor 3D Object Detection for Autonomous Driving},
author = {Xihao Wang and Jiaming Lei and Hai Lan and Arafat Al-Jawari and Xian Wei},
journal= {arXiv preprint arXiv:2302.13577},
year = {2023}
}
备注
This work is accepted by ICRA2023