MAFF-Net:基于多模态自适应特征融合过滤三维车辆检测假阳性
计算机视觉与模式识别
2020-09-24 v1
摘要
基于多模态融合的三维车辆检测是自动驾驶等诸多应用的重要任务。尽管已取得显著进展,我们仍观察到两方面有待改进:首先,以往工作极少探究相机图像可为三维检测带来的具体增益。其次,许多融合算法运行缓慢,而对高实时性要求的应用(自动驾驶)而言这至关重要。为此,本文提出一种端到端可训练的单阶段多模态特征自适应网络,其利用图像信息有效减少三维检测的假阳性且检测速度快。提出基于通道注意力机制的多模态自适应特征融合模块,使网络自适应地利用各模态特征。基于上述机制,提出两种融合技术以适应不同使用场景:PointAttentionFusion 适用于过滤简单假阳性且更快;DenseAttentionFusion 适用于过滤更困难的假阳性且整体性能更优。在 KITTI 数据集上的实验结果表明,相较于仅用点云数据的方法,过滤假阳性方面有显著改进。此外,所提方法可提供具竞争力的结果,且在 KITTI 基准上已发布 SOTA 多模态方法中速度最快。
引用
@article{arxiv.2009.10945,
title = {MAFF-Net: Filter False Positive for 3D Vehicle Detection with Multi-modal Adaptive Feature Fusion},
author = {Zehan Zhang and Ming Zhang and Zhidong Liang and Xian Zhao and Ming Yang and Wenming Tan and ShiLiang Pu},
journal= {arXiv preprint arXiv:2009.10945},
year = {2020}
}
备注
8 pages, 6 figures