用于点云三维目标检测的局部网格渲染网络
计算机视觉与模式识别
2020-07-07 v1
摘要
基于点云的三维目标检测模型性能高度依赖于其建模局部几何模式的能力。传统的基于点的模型通过对称函数（如最大池化）或基于图来利用局部模式，这容易导致细粒度几何结构的丢失。在捕获空间模式方面，CNN 很强大，但在将整个点云体素化为稠密规则 3D 网格后直接对点数据应用卷积会带来高昂计算成本。在本工作中，我们旨在通过利用 CNN 增强基于点的模型的模式学习能力，同时保持计算效率来提升性能。我们提出一种新颖且原则性的局部网格渲染（LGR）操作，将输入点子集的小邻域独立渲染为低分辨率 3D 网格，这使得小尺寸 CNN 能准确建模局部模式，并避免对稠密网格进行卷积以节省计算成本。借助 LGR 操作，我们引入了一种名为 LGR-Net 的新的通用骨干网络，用于点云特征提取，其设计简单且高效。我们在具有挑战性的 ScanNet 和 SUN RGB-D 数据集上验证 LGR-Net 用于三维目标检测。它以仅轻微增加的计算开销分别显著提升了最先进结果 5.5 和 4.5 mAP。
引用
@article{arxiv.2007.02099,
title = {Local Grid Rendering Networks for 3D Object Detection in Point Clouds},
author = {Jianan Li and Jiashi Feng},
journal= {arXiv preprint arXiv:2007.02099},
year = {2020}
}