SUIT：学习显著性引导信息用于三维时序检测
计算机视觉与模式识别
2023-07-06 v1 机器人学
摘要
基于 LiDAR 点云的三维目标检测对于自动驾驶和机器人技术至关重要。虽然序列点云具有通过时序信息增强三维感知的潜力，但有效且高效地利用这些时序特征仍是一个具有挑战性的问题。基于前景信息在 LiDAR 场景中稀疏分布这一观察，我们认为稀疏格式而非稠密图能够提供充足的知识。为此，我们提出学习显著性引导信息用于三维时序检测（SUIT），该方法将时序信息简化为稀疏特征以进行跨帧信息融合。具体而言，我们首先引入一种显著性采样机制，基于预测的目标质心提取信息丰富且稀疏的特征。在此基础上，我们提出一种显式几何变换学习方法，用于学习跨帧稀疏特征之间以目标为中心的变换。我们在大规模 nuScenes 和 Waymo 数据集上评估了我们的方法，其中我们的 SUIT 不仅显著降低了时序融合的内存与计算成本，而且性能优于最先进的基线方法。
引用
@article{arxiv.2307.01807,
title = {SUIT: Learning Significance-guided Information for 3D Temporal Detection},
author = {Zheyuan Zhou and Jiachen Lu and Yihan Zeng and Hang Xu and Li Zhang},
journal= {arXiv preprint arXiv:2307.01807},
year = {2023}
}
备注
Accepted to IROS 2023