面向三维孪生追踪的高效鸟瞰图候选框生成
计算机视觉与模式识别
2020-05-07 v2
摘要
由于数据的稀疏性和搜索空间的稠密性，在 LIDAR 点云中追踪车辆是一项具有挑战性的任务。点云中缺乏结构阻碍了通常在二维目标追踪中使用的卷积滤波器的使用。此外，对点云进行结构化处理十分繁琐且意味着丢失细粒度信息。因此，在三维空间中生成候选框是昂贵且低效的。在本文中，我们利用 LIDAR 点云的稠密且结构化的鸟瞰图（BEV）表示来高效搜索感兴趣的目标。我们使用一个高效的区域候选网络（Region Proposal Network）并在三维中生成少量的目标候选框。随后，我们通过利用一个三维孪生网络（Siamese network）的相似性能力来精炼我们对三维目标候选的选择。我们对该三维孪生网络进行形状补全正则化以增强其判别能力。我们的方法试图同时解决 BEV 空间中的高效搜索空间问题以及利用三维 LIDAR 点云进行有意义的选择问题。我们表明，BEV 中的区域候选在提供候选框方面显著优于 Kalman 和 Particle Filters 等贝叶斯方法，并且此类候选适用于三维孪生网络。通过端到端训练我们的方法，在使用仅 16 个候选时，我们在车辆追踪上以 12% / 18% 的成功率（Success）和精度（Precision）优于先前的基线。
引用
@article{arxiv.1903.10168,
title = {Efficient Bird Eye View Proposals for 3D Siamese Tracking},
author = {Jesus Zarzar and Silvio Giancola and Bernard Ghanem},
journal= {arXiv preprint arXiv:1903.10168},
year = {2020}
}