自动驾驶场景中,通常会用基于体素化的算法来完成点云3D目标检测任务,因为该类方法拥有计算量少、耗时少等方面的优势。但是当下常用的方法往往会带来双重信息损失,其一是体素化带来的量化误差造成的,其二则是对体素化后的点云信息利用...自动驾驶场景中,通常会用基于体素化的算法来完成点云3D目标检测任务,因为该类方法拥有计算量少、耗时少等方面的优势。但是当下常用的方法往往会带来双重信息损失,其一是体素化带来的量化误差造成的,其二则是对体素化后的点云信息利用不充分造成的。设计一个三阶段的网络结构来解决信息损失大的问题。第一阶段使用基于体素化的优秀算法完成输出边界框的任务;第二阶段利用一阶段特征图上的信息精修边界框,以解决一阶段对输入信息利用不充分的问题;第三阶段利用了原始点的精确位置信息再次精修边界框,以弥补体素化带来的点云信息损失。在Waymo Open Dataset上,所提多阶段3D目标检测算法的检测精度超过了CenterPoint等受工业界青睐的优秀算法,且满足自动驾驶落地的时间要求。展开更多
文摘自动驾驶场景中,通常会用基于体素化的算法来完成点云3D目标检测任务,因为该类方法拥有计算量少、耗时少等方面的优势。但是当下常用的方法往往会带来双重信息损失,其一是体素化带来的量化误差造成的,其二则是对体素化后的点云信息利用不充分造成的。设计一个三阶段的网络结构来解决信息损失大的问题。第一阶段使用基于体素化的优秀算法完成输出边界框的任务;第二阶段利用一阶段特征图上的信息精修边界框,以解决一阶段对输入信息利用不充分的问题;第三阶段利用了原始点的精确位置信息再次精修边界框,以弥补体素化带来的点云信息损失。在Waymo Open Dataset上,所提多阶段3D目标检测算法的检测精度超过了CenterPoint等受工业界青睐的优秀算法,且满足自动驾驶落地的时间要求。
