BSH-Det3D：改进三维目标检测与BEV shape heatmap-优快云博客

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！

❝
论文：https://arxiv.org/pdf/2303.02000.pdf
作者单位：东北大学北京大学慕尼黑工业大学 Ulster University

论文思路：

基于lidar的三维目标检测技术的进步大大促进了自主驾驶和机器人技术的发展。然而，由于激光雷达传感器的限制，目标shape 在闭塞和远处区域遭受恶化，这对3D感知造成了根本性的挑战。现有的方法估计特定的三维shape ，并取得了显著的效果。然而，这些方法依赖于大量的计算和内存，导致了准确性和实时性之间的不平衡。为了解决这一问题，本文提出了一种新的基于lidar的三维目标检测模型BSH-Det3D，该模型通过从鸟瞰图(BEV)估计完整的shape 来应用一种有效的方法来增强空间特征。具体来说，本文设计了pillar-based的shape补全（Shape Completion）(PSC)模块来预测Pillar是否包含目标shape 的占用概率。PSC模块为每个场景生成BEVshape heatmap。与heatmaps整合后，BSH-Det3D可以提供shape 退化区域(shape deterioration areas)的额外信息，并生成高质量的3D提议。本文还设计了一个基于注意力的致密化融合模块(densification fusion module)(ADF)，以自适应地将稀疏特征与heatmap和原始点相关联。ADF模块集成了点和shape 知识的优势，而开销可以忽略不计。在KITTI基准上进行的大量实验在精度和速度方面实现了最先进的(SOTA)性能，证明了BSH-Det3D的效率和灵活性。

主要贡献：

本文提出一种新颖的三维目标检测器，它学会从鸟瞰的角度联想目标shape 知识，增强空间特征，并为检测提供隐式指导。

本文设计了一个pillar-basedshape 补全（Shape Completion）模块(PSC)来估计每个场景的基于概率的shape heatmap，有效地缓解了shape的恶化

本文设计了一个基于注意力的致密化融合模块(ADF)，它适应shape和点云的稀疏特征，而开销可以忽略不计。

本文的提出的BSH-Det3D在精度和实时性能方面在KITTI基准上实现了SOTA性能。本文还使用不同的基线检测器测试本文的方法，以验证其灵活性.

网络设计：

本文提出了一种利用BEV Shape Heatmap (BSH-Det3D)对三维目标探测器进行改进的新方法，有效地缓解了shape 退化的问题，如图1所示。BSH-Det3D提出了一种通过学习BEV shape 知识提高检测质量的有效方法。本文设计了一个pillar-based的shape 补全（Shape Completion）模块(PSC)来获得每个场景的BEV shape heatmap。PSC提取多尺度 pillar特征，并估计pillar是否属于完整shape 的占用概率。此外，针对点云特征和shape heatmap的稀疏性，本文提出了一种基于注意力的密集化融合模块(ADF)来关联点和shape 。本文在KITTI数据集上进行了实验，在精度和速度方面取得了SOTA性能。值得注意的是，本文的方法是通用的，可以用于各种检测器。为了验证该方法的灵活性，本文将该方法集成到不同主流的3D检测框架[16]、[21]中进行实验，并设计了一个两阶段box refinement模块。

实验结果：

国内首个自动驾驶学习社区

近1000人的交流社区，和20+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！