Pseudo-LiDAR++：面向自动驾驶三维目标检测的精确深度估计
计算机视觉与模式识别
2020-02-18 v3
摘要
在三维空间中检测车辆、行人等目标对自动驾驶起着不可或缺的作用。现有方法在很大程度上依赖昂贵的 LiDAR 传感器来获取精确的深度信息。尽管近来 pseudo-LiDAR 作为一种颇具前景的替代方案被提出，仅基于立体图像即以低得多的成本实现，但其性能仍存在明显差距。本文通过对立体深度估计的改进，为 pseudo-LiDAR 框架带来实质性进展。具体而言，我们调整立体网络架构与损失函数，使其更契合远处目标的精确深度估计——而这目前正是 pseudo-LiDAR 的主要弱点。此外，我们探索借助更廉价但极度稀疏的 LiDAR 传感器来去偏我们的深度估计，这类传感器单独使用无法为三维检测提供充足信息。我们提出一种由初始深度估计引导的深度传播算法，将少数精确测量结果扩散至整个深度图。在 KITTI 目标检测基准上，我们表明所提出的组合方法在深度估计与基于立体的三维目标检测上均带来显著改进——对远处目标的检测精度超越先前最优方法达 40%。我们的代码见 https://github.com/mileyan/Pseudo_Lidar_V2。
引用
@article{arxiv.1906.06310,
title = {Pseudo-LiDAR++: Accurate Depth for 3D Object Detection in Autonomous Driving},
author = {Yurong You and Yan Wang and Wei-Lun Chao and Divyansh Garg and Geoff Pleiss and Bharath Hariharan and Mark Campbell and Kilian Q. Weinberger},
journal= {arXiv preprint arXiv:1906.06310},
year = {2020}
}
备注
Accepted to International Conference on Learning Representations (ICLR) 2020