Patch Refinement——局部化三维目标检测
计算机视觉与模式识别
2019-10-10 v1 机器学习
摘要
我们提出 Patch Refinement，一种用于从点云数据中进行精确三维目标检测与定位的两阶段模型。Patch Refinement 由两个独立训练的基于 Voxelnet 的网络组成：区域提议网络（RPN）和局部细化网络（LRN）。我们将检测任务分解为初步的鸟瞰图（BEV）检测步骤和局部三维检测步骤。基于 RPN 提出的 BEV 位置，我们提取小的点云子集（“patch”），然后由 LRN 处理，由于每个 patch 的面积较小，LRN 受内存限制的影响较小。因此，我们可以在局部应用更高体素分辨率的编码。LRN 的独立性使得可以使用额外的增强技术，并允许进行高效的、以回归为重点的训练，因为它仅使用每个场景的一小部分。在 KITTI 三维目标检测基准上评估，我们于 2019 年 1 月 28 日提交的结果，在汽车类别的所有三个难度级别上均优于之前的所有参赛作品，仅使用了 50% 的可用训练数据和激光雷达信息。
引用
@article{arxiv.1910.04093,
title = {Patch Refinement -- Localized 3D Object Detection},
author = {Johannes Lehner and Andreas Mitterecker and Thomas Adler and Markus Hofmarcher and Bernhard Nessler and Sepp Hochreiter},
journal= {arXiv preprint arXiv:1910.04093},
year = {2019}
}
备注
Machine Learning for Autonomous Driving Workshop at the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada