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