基于细粒度特征的改进Pillar用于三维目标检测
计算机视觉与模式识别
2021-10-13 v1
摘要
基于LiDAR点云的三维目标检测在需要高速、稳定和准确的自动驾驶感知模块中起着重要作用。然而，现有的基于点的方法由于原始点过多难以达到速度要求，而基于体素的方法由于3D稀疏卷积无法保证稳定速度。相比之下，基于2D网格的方法（如PointPillar）可基于简单2D卷积轻松实现稳定高效的速度，但受限于粗粒度点云表示难以获得有竞争力的精度。因此我们提出一种基于PointPillar的具有细粒度特征的改进pillar，可显著提升检测精度。它包括高度感知子pillar和基于稀疏性的微小pillar两个模块，分别在3D空间的垂直和水平方向获得细粒度表示。对于高度感知子pillar，我们引入高度位置编码以在投影到2D伪图像时保持每个子pillar的高度信息。对于基于稀疏性的微小pillar，我们引入由稠密特征和稀疏注意力模块堆叠的基于稀疏性的CNN骨干网络，以高效提取具有更大感受野的特征。实验结果表明，我们提出的方法在Waymo Open Dataset上显著优于先前最先进的3D检测方法。相关代码将被发布以促进学术和工业研究。
引用
@article{arxiv.2110.06049,
title = {Improved Pillar with Fine-grained Feature for 3D Object Detection},
author = {Jiahui Fu and Guanghui Ren and Yunpeng Chen and Si Liu},
journal= {arXiv preprint arXiv:2110.06049},
year = {2021}
}
备注
8 pages, 6 figures