论文阅读笔记 | 三维目标检测——PV-RCNN++算法

最新推荐文章于 2023-12-14 17:32:36 发布

Clichong

最新推荐文章于 2023-12-14 17:32:36 发布

阅读量2.1k

点赞数 3

分类专栏： # 三维点云论文文章标签：点云检测自动驾驶感知算法计算机视觉 pv-rcnn++

本文链接：https://blog.csdn.net/weixin_44751294/article/details/128241001

版权

三维点云论文专栏收录该内容

23 篇文章 3 订阅 ¥59.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了PV-RCNN++算法，该算法针对点云检测，通过改进关键点采样策略和ROI特征聚合，提高了PV-RCNN的速度和性能。采用Sectorized Proposal-Centric Sampling和VectorPool Aggregation，解决了距离最远点采样的效率问题，增强了3D候选框的特征表示能力。实验表明，PV-RCNN++在大规模点云数据集上的表现优于PV-RCNN。

摘要由CSDN通过智能技术生成

如有错误，恳请指出。

paper：《PV-RCNN++: Point-Voxel Feature Set Abstraction With Local Vector Representation for 3D Object Detection》（2022 IJCV）
做点云检测的肯定知道了，这又是Shaoshuai Shi大佬的另外一篇文章，Shaoshuai Shi大佬的主页介绍：https://shishaoshuai.com/

1. 背景

PV-RCNN++的基本原理延续这PV-RCNN：基于体素的策略可以更有效地编码多尺度特征，并从大规模点云生成高质量的3d候选框；而基于点的策略可以保留精确的位置信息，并具有灵活的感受野，用于细粒度的建议细化。

在PV-RCNN的基础上，PV-RCNN++对其进行了改进。改进的第一点就是关键点的采样，这里提出了分区关键点采样策略（sectorized proposal-centric keypoint sampling strategy），要比原始的距离最远点采样更加高效（D-FPS距离最远点采样的具有二次的算法复杂度）。改进的第二点是roi特征聚合的改进，这里提出了一个VectorPo