Frustum ConvNet：滑动视锥聚合局部逐点特征用于模态无关三维目标检测
计算机视觉与模式识别
2019-08-15 v2
摘要
在本工作中，我们提出一种称为Frustum ConvNet（F-ConvNet）的新方法，用于从点云中进行模态无关（amodal）三维目标检测。给定RGB图像中的2D区域提议，我们的方法首先为每个区域提议生成一系列视锥（frustum），并利用所得视锥对局部点进行分组。F-ConvNet将逐点特征聚合为视锥级特征向量，并将这些特征向量排列为特征图，以供其后续的完全卷积网络（FCN）组件使用；该组件在空间上融合视锥级特征，并支持三维空间中定向边界框的端到端连续估计。我们还提出了F-ConvNet的组件变体，包括提取多分辨率视锥特征的FCN变体，以及在缩减的三维空间上精炼使用F-ConvNet。细致的消融研究验证了这些组件变体的有效性。F-ConvNet不假设工作三维环境的先验知识，因此与数据集无关。我们在室内SUN-RGBD和室外KITTI数据集上进行了实验。F-ConvNet在SUN-RGBD上优于所有现有方法，并且在提交时优于KITTI基准上的所有已发表工作。代码已公开于：\url{https://github.com/zhixinwang/frustum-convnet}。
引用
@article{arxiv.1903.01864,
title = {Frustum ConvNet: Sliding Frustums to Aggregate Local Point-Wise Features for Amodal 3D Object Detection},
author = {Zhixin Wang and Kui Jia},
journal= {arXiv preprint arXiv:1903.01864},
year = {2019}
}
备注
IROS 2019