3D检测难点 | 3D检测如何解决远处小目标问题?Deformable PV-RCNN 或是个答案!
本文提出了Deformable PV-RCNN
,一种基于点云的高性能 3D 目标检测器。目前,最先进的两阶段检测器使用的proposal
细化方法不能充分适应不同尺度的目标对象、不同的点云密度、部分变形和杂波。作者提出了一个受 2D 可变形卷积网络启发的proposal
细化模块,该模块可以从存在信息内容的位置自适应地收集特定于实例的特征。作者还提出了一种简单的上下文门控机制,允许关键点为细化阶段选择相关的上下文信息。
1、简介
点云的 3D 目标检测对于自动驾驶和机器人技术至关重要。
PV-RCNNs
成功的部分原因是随机采样的关键点捕获多尺度特征以进行proposal
细化,同时保留细粒度的定位信息。然而,随机抽样对潜在的模糊场景无效。例如,在点云中很难区分行人和交通杆。在这种情况下,作者希望将关键点对准最具辨别力的区域,以便可以突出显示行人的主要特征。同样,汽车、行人和骑自行车的人的比例也大不相同。虽然多尺度特征聚合有利于图像特征,但点云的非均匀密度使得使用单个模型很难检测到它们。
作者希望自适应地聚合并关注它们在不同尺度上最显著的特征。最后,为了处理混乱并避免误检,例如,为了避免将所有坐着的人检测为骑自行车的人,需要了解分布不均的上下文信息。
本文构建了
Deformable PV-RCNN
,这是一种处理 LIDAR
点稀疏性的 3D 检测器,能够适应非均匀点云密度,尤其是在远距离处,并且可以解决现实世界交通场景中的杂波问题。作者表明,本文方法可以在不同类别上优于 PV-RCNN
,尤其是在 KITTI
3D 目标检测数据集上的远距离目标。2、本文方法
3D 检测的Pipeline如图 1 所示。它由
Adaptive Deformation module
(图 2)和Context Fusion module
(图 3)组成。2.1、Adaptive Deformation
n 个采样的关键点(在图1中以黄色显示)具有 3D 位置 和对应于 Conv3 或 Conv4 层的特征向量 。Adaptive Deformation模块计算更新的特征 如下:
其中 给出了点云中第 i 个关键点的邻居和 是一个学习的权重矩阵。然后获得新的
deformed keypoint
位置为:其中 是一个学习的权重矩阵。然后,继续使用类似于
PV-RCNN
的 PointNet++
计算deformed keypoint
的特征。2.2、Context Fusion
该模块使用上下文门控从
local evidence
中动态选择具有代表性和判别性的特征,突出目标特征并抑制clutter
。给定一个关键点特征 ,调制特征为:上下文门控特征计算为:
其中 、、 是从数据中学习的。
3、实验
3.1、SOTA对比
3.2、消融实验
3.3、远距离目标对比
4、参考
[1].Deformable PV-RCNN: Improving 3D Object Detection with Learned Deformations.
长按扫描下方二维码添加小助手。
可以一起讨论遇到的问题
声明:转载请说明出处
扫描下方二维码关注【集智书童】公众号,获取更多实践项目源码和论文解读,非常期待你我的相遇,让我们以梦为马,砥砺前行!
阅读原文 最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。