CenterNet3D: An Anchor free Object Detector for Autonomous Driving
![19d314e6edc90256ae3cae4af59b6ea5.png](https://i-blog.csdnimg.cn/blog_migrate/7eb9294c34e0302bcf28b47b048a21bd.jpeg)
作者团队:吉林大学&中科院&中山大学等
论文下载链接: https:// arxiv.org/abs/2007.0721 4
注1:如果上述链接无法访问或者下载速度过慢,可以看文末,已上传至百度云,方便下载
注2:Anchor-free火于目标检测(19年初到现在),而现在Anchor-free + x的组合研究越来越多了,如应用到目标跟踪、3D目标检测等
CenterNet3D:一阶段、anchor-free、无NMS的3D目标检测新网络,性能优于PointPillars、TANet和SECOND等网络,速度可达26 FPS!
CenterNet3D
从点云进行准确,快速的3D目标检测是自动驾驶的关键任务。现有的一阶段3D目标检测方法可以实现实时性能,但是,它们被基于anchor的检测器所支配,该检测器效率低下并且需要额外的后处理。
在本文中,我们消除了anchor,并将对象建模为其边界框中心点的单个点。基于中心点,我们提出了anchor-free的CenterNet3D网络,该网络无需anchhor即可执行3D目标检测。
我们的CenterNet3D使用关键点估计来找到中心点并直接使3D边界框回归。但是,由于点云的固有稀疏性,因此3D对象中心点很可能位于空白区域,这使得难以估计准确的边界。
为了解决这个问题,我们提出了一个辅助角点注意力模块,以强制CNN backbone更加关注对象边界,这对于获得更准确的边界框是有效的。此外,我们的CenterNet3D不受非极大值抑制的影响,这使其更有效,更简单。
![ac97d80d10ac01f1a154c76d55b78d00.png](https://i-blog.csdnimg.cn/blog_migrate/de0984036a7a124feadd73583c719088.jpeg)
![e12fae87e170bb6e8f8467dc105acb47.png](https://i-blog.csdnimg.cn/blog_migrate/5bb9086193cc9e0a6f0f188cdc9265b0.png)
![3956e73dfd998e7a674b113e87934910.png](https://i-blog.csdnimg.cn/blog_migrate/704157ff36a15597e403f0274a81ca4a.jpeg)
实验结果
在KITTI基准上,我们提出的CenterNet3D与其他基于anchor的一阶段方法取得了竞争性性能,这些方法显示了我们提出的中心点表征的有效性。
![15dd5222744ee158817bffe78afcaff5.png](https://i-blog.csdnimg.cn/blog_migrate/e5aef56c4ca047c7bc53218392e25d62.jpeg)
![bfec80d045c4679d622d9bf9c231f31b.png](https://i-blog.csdnimg.cn/blog_migrate/9996f211449af691c3638ba2e5bb9363.jpeg)
![f3121e3a4f8efaa004c26b9a365fdae0.png](https://i-blog.csdnimg.cn/blog_migrate/7a42d51d87f189635e4d10d014fc6bb1.jpeg)
下载
链接: https:// pan.baidu.com/s/1U6miG- sB5VnKTsBfCwV9Jg
提取码:hij6
推荐大家关注计算机视觉论文速递知乎专栏和CVer微信公众号,可以快速了解到最新优质的CV论文。
推荐阅读
Facebook发布FAIRScale:用于高性能和大规模训练的PyTorch工具
ECCV 2020 | 即插即用!PSConv:将特征金字塔压缩到紧凑的多尺度卷积层中
52.1 AP!MSRA&北大提出RepPoints V2:用于目标检测的验证+回归
MS-NAS:用于医学图像分割的多尺度神经网络架构搜索
京东AI提出:用于人脸识别的损失函数搜索
增强注意力!DCANet:学习卷积神经网络的连接注意力
RarePlanes:最大的真实/合成的飞机检测和分类数据集
GBDT与NAS强强联手!中科大&MSRA提出GBDT-NAS:使用GBDT进行神经网络架构搜索