用于 RGB-D 数据三维目标检测的视锥 PointNets
计算机视觉与模式识别
2018-04-16 v2
摘要
在本工作中，我们研究室内与室外场景中基于 RGB-D 数据的三维目标检测。此前的方法聚焦于图像或三维体素，往往掩盖了三维数据的自然三维模式与不变性，而我们通过对 RGB-D 扫描进行弹起（popping up）直接对原始点云进行处理。然而，该方法的一个关键挑战是如何在大规模场景的点云中高效定位目标（区域提议）。我们的方法不单纯依赖三维提议，而是结合成熟的二维目标检测器与先进的三维深度学习进行目标定位，即便对小目标也实现了高效性与高召回率。得益于直接在原始点云中学习，我们的方法即便在强遮挡或点极为稀疏的情况下也能精确估计三维包围盒。在 KITTI 与 SUN RGB-D 三维检测基准上的评估表明，我们的方法以显著优势超越当前最优方法，同时具备实时能力。
引用
@article{arxiv.1711.08488,
title = {Frustum PointNets for 3D Object Detection from RGB-D Data},
author = {Charles R. Qi and Wei Liu and Chenxia Wu and Hao Su and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:1711.08488},
year = {2018}
}
备注
15 pages, 12 figures, 14 tables