VINet：面向3D目标检测的轻量、可扩展与异构协同感知
计算机视觉与模式识别
2023-03-23 v2
摘要
借助人工智能(Artificial Intelligence, AI)的最新进展，计算机视觉界正目睹各类感知任务尤其是目标检测中前所未有的演进。基于多个空间分离感知节点的协同感知(Cooperative Perception, CP)已崭露头角，显著推进自动驾驶的感知能力。然而，当前协同目标检测方法主要关注自车效率，未考虑系统级成本的实际问题。本文中，我们提出VINet，一种统一的基于深度学习的CP网络，用于可扩展、轻量与异构协同3D目标检测。VINet是首个从大规模系统级部署视角设计的CP方法，可分为三个主要阶段：1) 全局预处理与轻量特征提取，以全局风格准备数据并以轻量方式提取协作特征；2) 双流融合，融合来自可扩展与异构感知节点的特征；3) 中心特征骨干与3D检测头，进一步处理融合特征并生成协同检测结果。我们设计开发了开源数据实验平台用于CP数据集采集与模型评估。实验分析表明，VINet在提升3D检测精度的同时，可降低84%系统级计算成本与94%系统级通信成本。
引用
@article{arxiv.2212.07060,
title = {VINet: Lightweight, Scalable, and Heterogeneous Cooperative Perception for 3D Object Detection},
author = {Zhengwei Bai and Guoyuan Wu and Matthew J. Barth and Yongkang Liu and Emrah Akin Sisbot and Kentaro Oguchi},
journal= {arXiv preprint arXiv:2212.07060},
year = {2023}
}