PV-RCNN：用于三维目标检测的点-体素特征集抽象
计算机视觉与模式识别
2021-04-12 v2 机器学习
图像与视频处理
摘要
我们提出了一种新颖且高性能的三维目标检测框架，称为PointVoxel-RCNN（PV-RCNN），用于从点云中准确检测三维目标。我们提出的方法深度整合了三维体素卷积神经网络（CNN）与基于PointNet的集合抽象，以学习更具判别力的点云特征。它利用了三维体素CNN的高效学习和高质量提议，以及基于PointNet的网络灵活的感受野。具体而言，所提框架通过新颖的体素集合抽象模块，将三维场景以三维体素CNN汇总为一小组关键点，以节省后续计算并编码具有代表性的场景特征。给定由体素CNN生成的高质量三维提议，我们提出RoI-grid池化，通过具有多个感受野的关键点集合抽象，将提议特定特征从关键点抽象到RoI-grid点。与传统池化操作相比，RoI-grid特征点编码了更丰富的上下文信息，用于准确估计目标置信度与位置。在KITTI数据集和Waymo Open数据集上的大量实验表明，我们提出的PV-RCNN仅使用点云即以显著优势超越最先进的（SOTA）三维检测方法。代码见https://github.com/open-mmlab/OpenPCDet。
引用
@article{arxiv.1912.13192,
title = {PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection},
author = {Shaoshuai Shi and Chaoxu Guo and Li Jiang and Zhe Wang and Jianping Shi and Xiaogang Wang and Hongsheng Li},
journal= {arXiv preprint arXiv:1912.13192},
year = {2021}
}
备注
Accepted by CVPR 2020. arXiv admin note: substantial text overlap with arXiv:2102.00463