Sparse2Dense:学习稠化 3D 特征用于 3D 目标检测
计算机视觉与模式识别
2022-11-24 v1
摘要
激光雷达生成的点云是大多数最先进 3D 目标检测器的主要来源。然而,具有稀疏或极少点的小、远且不完整物体往往难以检测。我们提出 Sparse2Dense,一种通过在学习稠化潜空间点云来高效提升 3D 检测性能的新框架。具体而言,我们首先以稠密点云为输入训练一个稠密点 3D 检测器(DDet),并设计一个以常规点云为输入的稀疏点 3D 检测器(SDet)。重要的是,我们在 SDet 中构建轻量级插件 S2D 模块与点云重建模块,以稠化 3D 特征并训练 SDet 产生遵循 DDet 中稠密 3D 特征的 3D 特征。因此,在推理时,SDet 可从常规(稀疏)点云输入模拟稠密 3D 特征,而无需稠密输入。我们在大规模 Waymo Open Dataset 与 Waymo Domain Adaptation Dataset 上评估了我们的方法,显示出相较最先进方法的高性能与高效率。
引用
@article{arxiv.2211.13067,
title = {Sparse2Dense: Learning to Densify 3D Features for 3D Object Detection},
author = {Tianyu Wang and Xiaowei Hu and Zhengzhe Liu and Chi-Wing Fu},
journal= {arXiv preprint arXiv:2211.13067},
year = {2022}
}
备注
Accepted to 36th Conference on Neural Information Processing Systems (NeurIPS 2022). Code will be released on https://github.com/stevewongv/Sparse2Dense