作者:Tom Hardy
Date:2020-2-12
来源:汇总|3D点云目标检测算法
前言
前面总结了几种基于激光雷达点云数据的3D目标检测算法,还有一些算法不再单独列出,这里做个简单总结来分享下!
基于激光雷达点云的3D目标检测算法
1、End-to-End Multi-View Fusion for 3D Object Detection in Lidar Point Clouds(Waymo和Google联合提出)
主要提出了一种新的端到端多视图融合(MVF)算法,该算法能有效地学习利用透视图和点云信息。具体地说,论文介绍了动态体素化,它与现有的体素化方法相比有四个优点:
1、 消除了预先分配具有固定大小的张量需要;
2、 克服了由于随机点/体素丢失引起的信息损失;
3、 产生确定的体素嵌入和更稳定的检测结果;
4、 建立点和体素之间的双向关系,这为跨视点特征融合奠定了基础;
通过采用动态体素化,提出的特征融合体系结构可以使每个点学习融合来自不同视图的信息。MVF对点进行操作,可以自然地从激光雷达点云扩展到其他方法。在最新发布的Waymo开放数据集和KITTI数据集上广泛评估了MVF模型,并证明它比可比较的单视图点柱baseline显著提高了检测精度。