Inyong Koo, Inyoung Lee, Se-Ho Kim, Hee-Seon Kim, Woo-jin Jeon...
TL;DR通过 RoI 点生成模块生成语义面点以实现准确检测,我们的方法在 KITTI 基准测试上取得了竞争性的性能。
Abstract
One of the main challenges in lidar-based 3d object detection is that the
sensors often fail to capture the complete spatial information about the
objects due to long distance and occlusion. Two-stage detectors with point
cloud completion approaches tackle this problem by adding more p
提出了一种名为 PointVoxel-RCNN(PV-RCNN)的 3D 物体检测框架,可以使用点云实现准确的物体检测,使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征,并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。
本文提出了 RBGNet 框架,一种基于投票的 3D 检测器,用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征,以了解物体的形状以增强聚类特征,从而预测 3D 边界框。此外,作者还提出了一种新颖的前景偏置采样策略,以在下采样过程中采样更多物体表面上的点,并显着提高检测性能。