PG-RCNN：用于三维目标检测的语义表面点生成
计算机视觉与模式识别
2023-07-25 v1
摘要
基于激光雷达的三维目标检测的主要挑战之一在于，由于远距离和遮挡，传感器往往无法捕获关于目标的完整空间信息。带有点云补全方法的两阶段检测器通过用预训练网络向感兴趣区域（RoIs）添加更多点来解决此问题。然而，这些方法为所有区域提议生成密集的物体点云，假设 RoIs 中总是存在物体。这也导致了对不正确提议的无差别点生成。受此启发，我们提出 Point Generation R-CNN（PG-RCNN），一种新颖的端到端检测器，可生成前景物体的语义表面点以实现精确检测。我们的方法使用一个联合训练的 RoI 点生成模块来处理 RoIs 的上下文信息并估计前景物体的完整形状与位移。对于每一个生成的点，PG-RCNN 赋予一个指示估计前景概率的语义特征。大量实验表明，我们的方法生成的点云为细化假阳性和未对齐提议提供了几何与语义丰富的信息。PG-RCNN 在 KITTI 基准上取得了具有竞争力的性能，且参数量显著少于最先进的模型。代码可在 https://github.com/quotation2520/PG-RCNN 获取。
引用
@article{arxiv.2307.12637,
title = {PG-RCNN: Semantic Surface Point Generation for 3D Object Detection},
author = {Inyong Koo and Inyoung Lee and Se-Ho Kim and Hee-Seon Kim and Woo-jin Jeon and Changick Kim},
journal= {arXiv preprint arXiv:2307.12637},
year = {2023}
}
备注
Accepted by ICCV 2023