CVPR2019：无人驾驶3D目标检测论文点评

CVPR2019：无人驾驶3D目标检测论文点评

重读CVPR2019的文章，现在对以下文章进行点评。

Stereo R-CNN based 3D Object Detection for Autonomous
Driving

1. introduction

本文提出了完全自动驾驶3D目标检测方法，包括3D图像检测疏密度，语义和几何信息。这个方法命名为Stereo R-CNN，将Faster R-CNN推广到3D图像输入信息，检测和关联左右两部分图像。通过在立体区域建议网络stereo Region Proposal Network (RPN)增加分支，预测稀疏点，透视点和目标维数，以便将2D左右boxes通过准确度2D透视投影来计算3D-BOX目标。然后，通过左右ROI线性成像来复原3D bounding-box。本方法不要求详细输入深度信息和3D位置，而且超过所以目前的3D目标检测方法。实验结果表示，这种方法在KITTI数据集上有大约30%AP，无论使3D目标检测，还是3D局部任务。本文实现开源代码链接在：https://github.com/HKUST-Aerial-Robotics/Stereo-RCNN

2018年在3D检测方面的文章层出不穷，也是各个公司无人驾驶或者机器人学部门关注的重点，包含了点云，点云图像融合，以及单目3D检测，但是在双目视觉方面的贡献还是比较少，自从3DOP之后。

总体来说，图像的检测距离，图像的density以及context信息，在3D检测中是不可或缺的一部分，因此作者在这篇文章中挖掘了双目视觉做3D检测的的潜力。

2. network structure