从点到部件：基于部件感知与部件聚合网络的点云三维目标检测
计算机视觉与模式识别
2020-03-17 v3
摘要
从 LiDAR 点云进行三维目标检测是三维场景理解中的一个具有挑战性的问题，并有许多实际应用。在本文中，我们将我们的初步工作 PointRCNN 扩展为一个新颖且强大的基于点云的三维目标检测框架，即部件感知与聚合神经网络（Part- net）。整个框架由部件感知阶段和部件聚合阶段组成。首先，部件感知阶段首次充分利用由三维真值框导出的免费部件监督，同时预测高质量的三维候选框和精确的目标内部部件位置。同一候选框内预测的目标内部部件位置通过我们新设计的 RoI 感知点云池化模块进行分组，从而产生一种有效表示来编码每个三维候选框的几何特定特征。然后部件聚合阶段通过学习探索池化后的目标内部部件位置的空间关系，对候选框重新打分并细化框位置。我们进行了大量实验以证明所提框架各组件带来的性能提升。我们的 Part- net 优于所有现有的三维检测方法，并在仅利用 LiDAR 点云数据的情况下于 KITTI 三维目标检测数据集上达到了新的 SOTA。代码见 https://github.com/sshaoshuai/PointCloudDet3D。
引用
@article{arxiv.1907.03670,
title = {From Points to Parts: 3D Object Detection from Point Cloud with Part-aware and Part-aggregation Network},
author = {Shaoshuai Shi and Zhe Wang and Jianping Shi and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1907.03670},
year = {2020}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence 2020, code is available at https://github.com/sshaoshuai/PointCloudDet3D