PointRGCN：用于三维车辆检测细化的图卷积网络
计算机视觉与模式识别
2019-11-28 v1
摘要
在自动驾驶流程中，感知模块提供对周围道路场景的视觉理解。在各项感知任务中，车辆检测对于安全驾驶至关重要，因为它识别共享道路的其他智能体的位置。在我们的工作中，我们提出 PointRGCN：一种基于图的、完全在三维 LiDAR 点云上运行的图卷积网络（GCNs）三维目标检测流程。为执行更精确的三维目标检测，我们利用一种执行候选框特征与上下文聚合的图表示。我们将残差 GCN 集成到一个两阶段三维目标检测流程中，其中三维目标候选框使用一种新颖的图表示进行细化。具体而言，R-GCN 是一种对三维候选框进行分类与回归的残差 GCN，而 C-GCN 是一种上下文 GCN，通过在多个候选框之间共享上下文信息来进一步细化候选框。我们将我们的细化模块集成到一个新颖的三维检测流程 PointRGCN 中，并在鸟瞰图检测任务的简单难度上取得了最先进的性能。
引用
@article{arxiv.1911.12236,
title = {PointRGCN: Graph Convolution Networks for 3D Vehicles Detection Refinement},
author = {Jesus Zarzar and Silvio Giancola and Bernard Ghanem},
journal= {arXiv preprint arXiv:1911.12236},
year = {2019}
}