CVPR2021|CenterPoint ：基于点云数据的3D目标检测与跟踪

图1：网络流程图

代码、论文地址：在公众号「计算机视觉工坊」，后台回复「CenterPoint」，即可直接下载。

前言：

该文章是Center-based系列工作（CenterNet、CenterTrack、CenterPoint）的扩展，于2020年作者在arxiv公开了第一版CenterPoint，后续进一步将CenterPoint扩充成了一个两阶段的3D检测追踪模型，相比单阶段的CenterPoint，性能更佳，额外耗时很少。

本文的主要贡献是提出了一个两阶段的Center-based的目标检测追踪模型，在第一阶段（如图1中的a,b,c)，使用CenterPoint检测三维目标的检测框中心点，并回归其检测框大小，方向和速度。在第二阶段（如图1中的d)设计了一个refinement模块，对于第一阶段中的检测框，使用检测框中心的点特征回归检测框的score并进行refinement。

在nuScenes的3D检测和跟踪任务中，单阶段的CenterPoint效果很好，单个模型的NDS为65.5,AMOTA为63.8。模型性能很好，但是论文中说该模型的速度是在Waymo上11FPS，在nuScenes上为16FPS；同时模型的速度实验是在TiTan RTX上做的，也就是在所有边缘计算设备上均达不到实时计算。

主要的Contribution：

1. 使用点表示目标，简化三维目标检测任务：

与图像目标检测不同，在点云中的三维目标不遵循任何特定的方向，box-based的检测器很难枚举所有的方向或为旋转的对象拟合一个轴对齐的检测框。但Center-based的方法没有这个顾虑。点没有内转角。这极大地减少了搜索空间，同时保持目标的旋转不变性。（AblationStudy的结果可以看到Center-based方法对模型效果提升非常明显）

2. Center-based的方法可以简化追踪任务

作者表明由于该方法不需要额外的运动模型（