DV-Det：基于动态体素化的高效三维点云目标检测
计算机视觉与模式识别
2021-07-28 v1
摘要
在这项工作中，我们提出了一种用于高效三维点云目标检测的新颖两阶段框架。我们不在将 point cloud 转换为二维鸟瞰图投影，而是直接在三维空间中解析原始点云数据，却实现了令人印象深刻的效率和精度。为实现这一目标，我们提出动态体素化，一种在局部尺度上即时对点进行体素化的方法。通过这样做，我们用三维体素保留点云几何，从而摆脱对昂贵 MLP 从点坐标学习的依赖。另一方面，我们本质上仍遵循与点式方法（例如 PointNet）相同的处理模式，且不再像传统卷积那样遭受量化问题。为进一步优化速度，我们提出基于网格的下采样与体素化方法，并提供不同的 CUDA 实现以适应训练和推理阶段的不同要求。我们在 KITTI 三维目标检测数据集上以 75 FPS 和在 Waymo Open 数据集上以 25 FPS 推理速度且精度满意，凸显了我们的效率。
引用
@article{arxiv.2107.12707,
title = {DV-Det: Efficient 3D Point Cloud Object Detection with Dynamic Voxelization},
author = {Zhaoyu Su and Pin Siang Tan and Yu-Hsing Wang},
journal= {arXiv preprint arXiv:2107.12707},
year = {2021}
}