如何检测图像中的条纹_PointPainting: 融合图像语意分割信息到3D点云目标检测中...

https://arxiv.org/pdf/1911.10150.pdf​arxiv.org

自动驾驶感知模块中，激光雷达跟照相机是关键传感器，然而，近期的3D目标检测任务中，以纯点云方法独占鳌头，没有用到照相机的数据。本文主要在研究如何弥补这其中的差距。

点云数据提供了非常精确的位置信息，而照相机数据提供了很好的语意信息。如何将两者优势都发挥，则能有效的提升模型精度。

本文提出了一套pipline，能够快速的将点云赋与图像语意分割后的信息，并在VoxelNet、PointPillar、PointRCNN，实验证明，赋与语意分割的点云能够提高精度，在Kitti BEV Track达到领先名次。

介绍：

作者介绍了四种当前被提出来融合视角的方法，与此方法的优势。

1. 为什么大家都只用lidar，而不合并两个数据？

-> 视角不对齐的问题很难解决

BEV视角下有许多优势，如物体大小不会因为远近而改变，也不会有物体互相遮挡问题，因此我们会倾向于将数据转到BEV视角进行操作，然而lidar很容易转换成BEV，camera很难。

2. 为何采用sequential approach，而非端到端？

之所以分阶段，是因为语意分割通常是中间任务，可以应用于许多的下游任务，因此分阶段能够有效的利用计算资源。

方法：