用于三维单阶段目标生成的生成式稀疏检测网络
计算机视觉与模式识别
2020-06-23 v1
摘要
3D 目标检测因其在机器人和增强现实等许多前景领域的潜在适用性而得到广泛研究。然而，3D 数据的稀疏性给该任务带来了独特挑战。最显著的是，3D 点云的可观测表面与用于锚定边界框预测的实例中心不相交。为此，我们提出生成式稀疏检测网络（GSDN），一种全卷积单阶段稀疏检测网络，可高效生成目标候选的支持区域。我们模型的关键组件是一个生成式稀疏张量解码器，其使用一系列转置卷积和剪枝层来扩展稀疏张量的支持区域，同时丢弃不太可能的目标中心以维持最小的运行时间和内存占用。GSDN 可通过单次全卷积前馈传递处理空前大规模输入，因此不需要像其他先前方法那样将滑动窗口结果拼接的启发式后处理阶段。我们在三个 3D 室内数据集上验证了我们的方法，包括大规模 3D 室内重建数据集，其中我们的方法以 7.14% 的相对提升优于最先进（SOTA）方法，同时比最佳先前工作快 3.78 倍。
引用
@article{arxiv.2006.12356,
title = {Generative Sparse Detection Networks for 3D Single-shot Object Detection},
author = {JunYoung Gwak and Christopher Choy and Silvio Savarese},
journal= {arXiv preprint arXiv:2006.12356},
year = {2020}
}