所见即所检：面向三维检测中更优物体稠密化
计算机视觉与模式识别
2023-11-16 v2 机器人学
摘要
近期工作已表明从激光雷达信号进行三维感知时物体补全的重要性。已有若干方法提出使用模块来稠化激光扫描仪生成的点云，从而获得更好的召回率与更精确的结果。沿此方向，我们在本工作中提出一个反直觉的视角：广泛使用的全形状补全方法实际上会导致更高的误差上界，尤其是对于远处物体与行人等小物体。基于该观察，我们引入一种可见部分补全方法，其仅需先前方法所生成预测点的 11.3%。为恢复稠密表示，我们提出一种基于网格形变的方法来增强与可见前景物体关联的点集。考虑到我们的方法仅聚焦于前景物体的可见部分以实现精确的三维检测，我们将该方法命名为“所见即所检”（WYSIWYD）。因此我们提出的方法是一种与检测器无关的模型，由两部分组成：一个视锥内分割 Transformer（IFST）和一个从网格形变预测前景深度的网格深度补全网络（MDCNet）。由此，我们的模型不需要大多数基于伪激光雷达方法所采用的耗时的全深度补全任务。我们的实验评估表明，在 KITTI 与 NuScenes 数据集上，我们的方法相较多数公开基线模型可带来最高 12.2% 的性能提升，将最先进水平推向新高度。代码将发布于 https://github.com/Orbis36/WYSIWYD。
引用
@article{arxiv.2310.17842,
title = {What You See Is What You Detect: Towards better Object Densification in 3D detection},
author = {Tianran Liu and Zeping Zhang and Morteza Mousa Pasandi and Robert Laganiere},
journal= {arXiv preprint arXiv:2310.17842},
year = {2023}
}