LiDAR 点云中的小目标跟踪：学习目标感知原型与细粒度搜索区域
计算机视觉与模式识别
2024-01-25 v1
摘要
LiDAR 点云中的单目标跟踪是环境感知最关键的部分之一，在真实场景中小目标不可避免，且会对精确定位带来显著障碍。然而，现有方法更多集中于探索适用于常见类别的通用架构，忽视了小目标因前景点相对缺乏且对干扰容忍度低而长期存在的棘手挑战。为此，我们提出了一种基于 Siamese network 的 LiDAR 点云小目标跟踪方法，该方法由目标感知原型挖掘（TAPM）模块和区域网格细分（RGS）模块组成。TAPM 模块采用掩码解码器的重建机制在特征空间中学习原型，旨在突出前景点的存在，这将有助于后续小目标的定位。尽管上述原型能够凸显感兴趣的小目标，但特征图中的定位偏差仍会导致较高的跟踪误差。为缓解此问题，我们提出了 RGS 模块，基于 ViT 和像素重排层来恢复搜索区域的细粒度特征。此外，除常规设置外，我们还精心设计了缩放实验，以评估不同跟踪器对小目标的鲁棒性。在 KITTI 和 nuScenes 上的大量实验表明，我们的方法能在不影响常规尺寸目标的情况下，有效提升小目标的跟踪性能。
引用
@article{arxiv.2401.13285,
title = {Small Object Tracking in LiDAR Point Cloud: Learning the Target-awareness Prototype and Fine-grained Search Region},
author = {Shengjing Tian and Yinan Han and Xiuping Liu and Xiantong Zhao},
journal= {arXiv preprint arXiv:2401.13285},
year = {2024}
}