LMNet：基于 3D 激光雷达在 CPU 上实现实时多类目标检测
计算机视觉与模式识别
2018-05-21 v2
摘要
本文描述了一种优化的单阶段深度卷积神经网络，仅使用点云数据即可检测城市环境中的物体。该特性使我们的方法无论昼夜与光照条件均可工作。所提网络结构采用空洞卷积，随着深度增加逐步扩大感受野，这有助于将计算时间减少约 30%。网络输入由非组织化点云数据的五种透视表示构成。网络输出为逐点的目标性图与边界框偏移值。我们的实验表明，利用反射强度、距离以及三个轴上的位置有助于改善输出边界框的位置与朝向。我们借助 KITTI 数据集评估服务器进行了定量评估。其在同类方法中实现了最快的处理速度，适合实时应用。我们在真实车辆上实现并测试了该方法，车顶装有 Velodyne HDL-64。在桌面 GPU 上我们实现了快至 50 FPS 的执行速度，在单个 Intel Core i5 CPU 上可达 10 FPS。部署实现已开源，可作为自动驾驶框架 Autoware 中的一个特性分支找到。代码见：https://github.com/CPFL/Autoware/tree/feature/cnn_lidar_detection
引用
@article{arxiv.1805.04902,
title = {LMNet: Real-time Multiclass Object Detection on CPU using 3D LiDAR},
author = {Kazuki Minemura and Hengfui Liau and Abraham Monrroy and Shinpei Kato},
journal= {arXiv preprint arXiv:1805.04902},
year = {2018}
}