StarNet是一种针对点云中三维目标检测的方法，通过避免在空白区域计算来减少计算需求。该方法使用选定的点作为局部坐标系中心，通过CNN计算特征并预测边界框。实验表明，该方法在保持速度的同时提高了精度，且能够利用连续帧信息。在KITTI和Waymo Open Dataset上进行了验证，证明了FPS选择中心点的有效性以及连续帧的增益效果。
文章目录
StarNet: Targeted Computation for Object Detection in Point Clouds
Waymo出品，2019年12月更新
StarNet
文中强调，本文的创新点和优势有如下：
- 本方法不对空白区域进行计算，减少对算力的要求
- 本方法由于不适用全局特征，所以在inference的时候，可以调整proposal的数量和每个proposal中点的数量，这种设计对于运算平台是友好的，算力强的平台可以更精确，算力不强的也可以用，只不过精度低一些。
- 在不增加额外计算的情况下，可以加入对场景先验知识，或者加入连续帧中的信息。
这里先讲一下方法的整体流程：
- 首先选取一些点
- 然后以这些点做为局部坐标系的中心点，用CNN计算特征u
- 然后在每个点的周围放置GxG个个anchor，将特征f通过CNN计算每个anchor对应的特征
- 通过特征u，使用CNN回归box与anchor的偏差，得到预测值
伪代码在arxiv中的v1版本的paper中可以找到：
接下来我们一步一步讲。
Center selection
这部分就是如何选取一些点，首先除去地面的点。例如，除去某个高度以下的点，其实还可
最低0.47元/天 解锁文章
扫一扫
369
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
