文章目錄

• • 論文信息
  • 問題導入
  • 總體思路
  • 論文效果
  • 總結

論文信息

題目：Joint 3D Proposal Generation and Object Detection from View Aggregation

論文鏈接

代碼鏈接

問題導入

類似于 F-PointNet, 本文想要將成熟的 2D 檢測器相關技術遷移到 3D 檢測上，作者認為將點云投影到 FV 或者 BEV 上可能沒有足夠的信息生成候選區域，特別是小目標。本文仍然采用 RGB 與 BEV 作為模型輸入。

總體思路

如上圖所示，首先，利用 RGB 和 BEV 分別經過特征提取網絡得到高分辨率特征圖；其次，分別對兩種特征圖進行 1x1 卷積(減少參數量, 類似于 FC，最初來自 NIN)，借助 3D anchor 對兩種特征圖進行融合，經過 FC 和 NMS 得到無向的 3D 候選框；最后，將 3D 候選區域與原本的兩個特征圖融合，再利用檢測器預測定向的 3D 框及目標類別。

論文效果

如上圖所示，這是定性分析，在 KITTI 驗證集上與 MV3D 和 Deep3DBox 做對比，突出了方向預測的提升。

如上圖所示，這是定量分析，在 KITTI 測試集上與 MV3D, VoxelNet 以及 F-PointNet 做了對比，突出了幀率的提升，但在小目標檢測效果上并沒有趕上 F-PointNet。

總結

本文借助了很多 2D 檢測器的 tricks，實現了計算效率的提升，但由于點云處理不佳，損失了部分 3D 信息，導致后期對行人和騎行者的檢測精度較低。

總結

以上是生活随笔為你收集整理的【论文概述】AVOD (2018)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。