快速 Point R-CNN
计算机视觉与模式识别
2019-08-19 v2
摘要
我们提出一个统一、高效且有效的基于点云的 3D 目标检测框架。我们的两阶段方法同时利用体素表示与原始点云数据以发挥各自优势。第一阶段网络以体素表示为输入，仅由轻量卷积操作构成，产生少量高质量初始预测。初始预测中每个点的坐标与索引卷积特征通过注意力机制有效融合，同时保留精确定位与上下文信息。第二阶段在内部点及其融合特征上进一步精炼预测。我们的方法在 KITTI 数据集上就 3D 与鸟瞰图（BEV）检测进行评估，以 15FPS 的检测速率取得了当前最佳（state-of-the-art）结果。
引用
@article{arxiv.1908.02990,
title = {Fast Point R-CNN},
author = {Yilun Chen and Shu Liu and Xiaoyong Shen and Jiaya Jia},
journal= {arXiv preprint arXiv:1908.02990},
year = {2019}
}