并非所有点都等价：学习面向3D激光雷达点云的高效基于点的检测器
计算机视觉与模式识别
2022-03-22 v1 机器人学
摘要
我们研究3D LiDAR点云的高效目标检测问题。为降低内存与计算成本，现有的基于点的流程通常采用与任务无关的随机采样或最远点采样来逐步下采样输入点云，尽管事实上并非所有点对于目标检测任务都同等重要。具体而言，对于目标检测器，前景点本质上比背景点更重要。受此启发，我们在本文中提出一种高效单阶段基于点的3D检测器，称为IA-SSD。我们方法的关键在于利用两种可学习的、面向任务的、实例感知的下采样策略，分层选择属于感兴趣对象的的前景点。此外，我们还引入了上下文质心感知模块以进一步估计精确的实例中心。最后，我们遵循仅编码器的架构构建IA-SSD以保证效率。在多个大规模检测基准上开展的广泛实验证明了我们IA-SSD的竞争性性能。得益于低内存占用与高度并行性，在单块RTX2080Ti GPU上，它在KITTI数据集上实现了80+帧每秒的优越速度。代码可在 \url{https://github.com/yifanzhang713/IA-SSD} 获取。
引用
@article{arxiv.2203.11139,
title = {Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds},
author = {Yifan Zhang and Qingyong Hu and Guoquan Xu and Yanxin Ma and Jianwei Wan and Yulan Guo},
journal= {arXiv preprint arXiv:2203.11139},
year = {2022}
}
备注
CVPR2022, code avaliable at: https://github.com/yifanzhang713/IA-SSD