- 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
- 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