点击上方“计算机视觉工坊”,选择“星标”
干货第一时间送达
标题:PointTrackNet: An End-To-End Network for 3-D Object Detection and Tracking from Point Clouds
作者:S Wang,Y Sun,C Liu,M Liu
来源:ICRA2020
编译:黄群军 泡泡机器人SLAM
审核:lionheart
欢迎个人转发朋友圈;其他机构或自媒体如需转载,后台留言申请授权
摘要
当前基于机器学习的多目标跟踪(MOT)框架在3-D点云跟踪场景中变得越来越流行。大多数传统的跟踪方法都使用滤波器(例如,卡尔曼滤波器或粒子滤波器)来按时间顺序预测对象位置,但是它们容易受到极端运动条件的影响,例如突然制动和转弯。在本文中提出了PointTrackNet目标跟踪方法,这是一个端到端的3-D对象检测和跟踪网络,可以为每个检测到的对象生成前景掩膜,3-D边界框和点跟踪关联位移。网络仅将两个相邻的点云帧作为输入。在KITTI跟踪数据集上的实验结果显示,与最新的跟踪网络相比本文的方法具有比较好的结果,尤其是在不规则和快速变化的情况下。
主要贡献
1.提出了一种端到端的三维目标检测与跟踪网络,该网络以两个相邻的原始点云为输入,输出预测的边界框和逐点关联位移。
2.提出了一种新的数据关联模块来融合两帧的点特征,并关联同一对象的相应特征。
3.从逐点数据关联生成预测的边界框。预测的边界框可以细化检测结果。
主要方法
上图展示了网络的基本结构。该网络只需输入两个相邻的无序点云,输出物体的边界框和每个物体的运动轨迹。检测和数据关联是跟踪的两个主要组成部分方法。我们设计了一种点式数据关联方法,以减少退化目标检测可能带来的负面影响。
A.逐点特征提取
在给定N*3维度点云的情况下,提出了一种目标检测器生成N*2掩膜和M个边界框,其中N表示点的个数,掩膜是一个二进制的0-1分类标签,用于区分前景和背景。从主干网络中提取点云特征。
B.关联模块
关联模块包含一个概率过滤器、两个SA层和一个关联头。为了平衡前背景点,降低计算量,提出了概率滤波器。
C.细化模块
细化模块由一个SA层、三个setupconv层和两个全连接层组成。算法1描述了跟踪管理中的完整伪码。
D.代价函数
代价函数分为两个部分,分别为识别代价和跟踪代价:
主要实验与结果
Abstract
Recent machine learning-based multi-object tracking (MOT) frameworks are becoming popular for 3-D point clouds. Most traditional tracking approaches use filters (e.g., Kalman filter or particle filter) to predict object locations in a time sequence, however, they are vulnerable to extreme motion conditions, such as sudden braking and turning. In this letter, we propose PointTrackNet, an end-to-end 3-D object detection and tracking network, to generate foreground masks, 3-D bounding boxes, and point-wise tracking association displacements for each detected object. The network merely takes as input two adjacent point-cloud frames. Experimental results on the KITTI tracking dataset show competitive results over the state-of-thearts, especially in the irregularly and rapidly changing scenarios.
本文仅做学术分享,如有侵权,请联系删文。
下载1
在「计算机视觉工坊」公众号后台回复:深度学习,即可下载深度学习算法、3D深度学习、深度学习框架、目标检测、GAN等相关内容近30本pdf书籍。
下载2
在「计算机视觉工坊」公众号后台回复:计算机视觉,即可下载计算机视觉相关17本pdf书籍,包含计算机视觉算法、Python视觉实战、Opencv3.0学习等。
下载3
在「计算机视觉工坊」公众号后台回复:SLAM,即可下载独家SLAM相关视频课程,包含视觉SLAM、激光SLAM精品课程。
重磅!计算机视觉工坊-学习交流群已成立
扫码添加小助手微信,可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群,旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。
同时也可申请加入我们的细分方向交流群,目前主要有ORB-SLAM系列源码学习、3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、深度估计、学术交流、求职交流等微信群,请扫描下面微信号加群,备注:”研究方向+学校/公司+昵称“,例如:”3D视觉 + 上海交大 + 静静“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。
▲长按加微信群或投稿
▲长按关注公众号
3D视觉从入门到精通知识星球:针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕,更有各类大厂的算法工程人员进行技术指导。与此同时,星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息,打造成集技术与就业为一体的铁杆粉丝聚集区,近2000星球成员为创造更好的AI世界共同进步,知识星球入口:
学习3D视觉核心技术,扫描查看介绍,3天内无条件退款
圈里有高质量教程资料、可答疑解惑、助你高效解决问题
觉得有用,麻烦给个赞和在看~