快速占用网络
计算机视觉与模式识别
2024-12-11 v1 人工智能
摘要
占用网络近期在自动驾驶领域受到广泛关注。与单目 3D 检测和近期鸟瞰图（BEV）模型预测障碍物 3D 边界框不同，占用网络通过将 3D 检测任务转换为 3D 体素分割任务来预测自车周围指定 3D 空间中的体素类别，在处理类别异常障碍物和提供细粒度 3D 表示方面具有显著优势。然而，现有方法通常需要比先前方法大得多的计算资源，阻碍了占用网络方案在智能驾驶系统中的应用。为解决此问题，我们分析了占用网络推理成本的瓶颈，并提出了一种简单快速的占用网络模型，该模型采用可变形 2D 卷积层将 BEV 特征提升至 3D 体素特征，并提出高效的体素特征金字塔网络（FPN）模块以在较低计算成本下提升性能。此外，我们在推理阶段为占用网络在透视视图中提出了一种无额外成本的 2D 分割分支以提升精度。实验结果表明，我们的方法在精度和推理速度上持续超越现有方法，以 ResNet50 骨干网络超越近期最先进 OCCNet 1.7%，推理速度提升约 3 倍。此外，我们的方法可轻松应用于现有 BEV 模型，将其转换为占用网络模型。
引用
@article{arxiv.2412.07163,
title = {Fast Occupancy Network},
author = {Mingjie Lu and Yuanxian Huang and Ji Liu and Xingliang Huang and Dong Li and Jinzhang Peng and Lu Tian and Emad Barsoum},
journal= {arXiv preprint arXiv:2412.07163},
year = {2024}
}
备注
10 pages, 5 figures,