用于基于 LiDAR 的 3D 目标检测的范围感知注意力网络及辅助点密度等级估计
计算机视觉与模式识别
2022-08-09 v4
摘要
近年来，面向自动驾驶的基于 LiDAR 数据的 3D 目标检测取得了显著进展。在最先进的方法中，将点云编码为鸟瞰图 (BEV) 已被证明既有效又高效。与透视视图不同，BEV 保留了物体间丰富的空间与距离信息。然而，同类较远物体在 BEV 中虽不显得更小，却包含更稀疏的点云特征。这一事实削弱了使用共享权重卷积神经网络 (CNN) 的 BEV 特征提取。为应对该挑战，我们提出范围感知注意力网络 (RAANet)，其提取有效的 BEV 特征并生成更优的 3D 目标检测结果。范围感知注意力 (RAA) 卷积显著改善了近处与远处物体的特征提取。此外，我们提出一种用于点密度估计的新型辅助损失，以进一步提升 RAANet 对被遮挡物体的检测精度。值得注意的是，我们提出的 RAA 卷积轻量且兼容集成到任何用于 BEV 检测的 CNN 架构中。在 nuScenes 与 KITTI 数据集上的大量实验表明，我们所提方法在基于 LiDAR 的 3D 目标检测上优于 SOTA 方法，在 nuScenes lidar 帧上测试的完整版实时推理速度为 16 Hz，轻量版为 22 Hz。代码已公开于我们的 Github 仓库 https://github.com/erbloo/RAAN。
引用
@article{arxiv.2111.09515,
title = {Range-Aware Attention Network for LiDAR-based 3D Object Detection with Auxiliary Point Density Level Estimation},
author = {Yantao Lu and Xuetao Hao and Yilan Li and Weiheng Chai and Shiqi Sun and Senem Velipasalar},
journal= {arXiv preprint arXiv:2111.09515},
year = {2022}
}