讲座 | lidar目标检测------图森未来CTO王乃岩

1. 什么是适合LiDAR点云的表示？

• LiDAR表示形式回顾
  range image， voxel， raw point， bev

• 为什么RangeView是LiDAR点云最紧密而有信息量的表示方式

• 为什么现有RangeView检测器性能有限？
  rangeView 在segmentation中效果显著，在检测中效果不佳（如Google的RCD）。
  原因有四点：
  a.edge effect
  b.scale variation
  c.inconsistency of label assignment
  d.difficulty in bounding box regression

• 提升RangeView检测性能的核心要素和解决方案
  对应以上四个问题，分别提出了解决方案
  a.meta-kernel convolution
  b.range conditioned pyramid
  c.iou-aware classification
  c.bounding box voting

  性能分析与展望

2. 二阶段LiDAR检测器为什么性能有限？

• 回顾常见的二阶段LiDAR检测器设计方案

  在feature上做roi pooling/align 不如直接在raw image/point上做效果好。但是对于图像而言，这将带来很大的计算量，所以faster rcnn等都是在feature上做roi pooling/align。但是对于点云来说不存在这样的问题，所以可以直接在原始点上做refine。

• 分析点云二阶段检测器中独有的尺度模糊问题
  尺度歧义性：如下图所示，蓝色框代表一阶段的proposal，红色点为raw point。显然，当refine阶段只是输入框内的点，那么无论proposal是蓝色框还是绿色框，第二阶段的输入特征都是一样的。
  

  快速有效的LiDARRCNN方案
  

  性能分析与展望