【论文阅读】【3d目标检测】Center-based 3D Object Detection and Tracking

论文标题:Center-based 3D Object Detection and Tracking
一篇基于中心的3d目标检测文章,2021年
文章在waymo、nuscene上做了实验。还是比较充分的。
和其他一些anchorbased的方法进行了对比 突出了其优越性。
废话不多说 上图!
在这里插入图片描述
该网络是一个二阶段的网络:
RPN
首先对点云进行voxel处理,从后面的实验可以看出作者用了两种backbone ——voxlenet和pointpillar,主要做法就是对于voxel后的点云进行3d卷积,最后投影到bv图中,我们便得到了一个H×W×F的特征图。其中F就是对每个voxel编码的特征channels。
最后再设计类似centernet的head,输出heatmap,用峰值预测物体中心,设计长宽预测。这里有些新的head例如偏移量o、角度、离地高度hg等。由此我们便得到了bbox四条边的中心在那个地方。这个head操作是一系列2d卷积。

score and 3d boxes
第二阶段利用了第一阶段输出的feature map 取中心点和四条face上的点的feature进行一个concat拼接。输入到mlp中进行编码,随后输出score和细化的bbox。
对于score预测作者引入了一个新的target函数:
在这里插入图片描述
实际上是为了把介于正负样本阈值之间的bbox利用起来。
请添加图片描述

最后输出的confidence score是两阶段的score的一个合计。
在这里插入图片描述
这篇文章的实验部分也是值得看一下的,做的很详细:
首先是实验结果,作者在waymo和nusence上做的实验:
在这里插入图片描述
waymo上给了level1 2 的map,80出头 当时效果还是很好的。
随后的消融实验,作者进行了center based 和anchor based的比较,说明centerbased的效果是要强于anchorbased的

在这里插入图片描述

随后对于第二阶段的必要性,作者给出了实验结果,主要是对于第二阶段的feature选哪些地方作者进行了实验,说明第二阶段的重要性:
在这里插入图片描述

最后对于第二阶段的feature类型进行了更换:
在这里插入图片描述
rbf指的是对于face点进行rbf插值 就是对于face点附近的三个feature进行插值 具体方法类似pointnet++
在这里插入图片描述

思考:
看的第一篇3d centerbased的文章,与2d centernet有所不同的是人家分了两阶段来做,我猜这样可能是考虑到点云的稀疏性,作者想利用起来落在物体表面的点来进行一个预测的优化,在数据集上产生了不错的效果。
如果去掉第二阶段我们可以看成利用3d目标卷积后强制生成伪图像随后进行2d卷积预测 设计类似的detector head。
本文还考虑了计算速度和目标跟踪的问题,我这块了解得少 就跳过了。

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
事件驱动视觉是一种新型的目标跟踪方法,它利用视觉传感器对目标的视觉变化进行实时响应。传统的目标跟踪方法往往通过连续的图像帧来实现目标的位置预测和跟踪,然而这种方法在处理高速移动目标时会存在一定的困难。而事件驱动视觉则能够在目标产生事件变化时立即做出响应,实现对目标的快速跟踪和定位。这种方式能够在高速移动目标的情况下更加稳定和准确地进行跟踪,大大提高了目标跟踪的效率和准确性。 事件驱动视觉利用神经元级别的传感器对光强的变化进行监测,只有在光强发生明显变化时才会输出事件信号,因此能够对光线变化的信息进行高效地捕捉。而传统的图像传感器则会对整个图像进行连续的采集和处理,无法很好地应对高速移动目标产生的快速光强变化。通过事件驱动视觉,可以实现对快速移动目标的高速跟踪,同时还能够减少对计算资源的需求,提高目标跟踪的实时性和稳定性。 总的来说,事件驱动视觉为目标跟踪提供了一种全新的思路和方法,通过对光强变化的快速响应,能够实现对高速移动目标的快速、稳定和准确的跟踪,对于机器人、自动驾驶等领域的应用具有非常大的潜力和价值。随着事件传感器技术的不断发展和完善,事件驱动视觉在目标跟踪领域的应用前景也将会更加广阔。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值