用于点云中三维目标检测的关系图网络
计算机视觉与模式识别
2019-12-03 v1
摘要
卷积神经网络（CNNs）已成为大多数 2D 图像目标检测任务的有力策略。然而，在不将点云转换为规则网格的情况下直接检测点云中的 3D 目标，其能力尚未被充分实现。现有顶尖的 3D 目标检测方法旨在单独识别 3D 目标，而未在学习或推理中利用它们之间的关系。本文中，我们首先提出一种策略，将方向向量与伪几何中心的预测相关联，从而为 3D 边界框候选回归带来双赢解。其次，我们提出点注意力池化，以从目标点的所学方向特征、语义特征与空间坐标中为每个 3D 目标提议提取均匀外观特征。最后，外观特征与位置特征一起用于为所有提议构建 3D 目标-目标关系图，以建模其共存关系。我们探究了在监督与无监督设定下关系图对提议外观特征增强的效果。所提关系图网络由一个 3D 目标提议生成模块与一个 3D 关系模块组成，使其成为用于点云中 3D 目标检测的可端到端训练网络。在具有挑战性的 3D 点云基准（SunRGB-D 与 ScanNet 数据集）上的实验表明，我们的算法优于现有顶尖方法。
引用
@article{arxiv.1912.00202,
title = {Relation Graph Network for 3D Object Detection in Point Clouds},
author = {Mingtao Feng and Syed Zulqarnain Gilani and Yaonan Wang and Liang Zhang and Ajmal Mian},
journal= {arXiv preprint arXiv:1912.00202},
year = {2019}
}
备注
Manuscript