PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection

&相守年华。

于 2022-08-03 11:45:00 发布

阅读量316

点赞数

文章标签：目标检测计算机视觉人工智能

本文链接：https://blog.youkuaiyun.com/qq_39791748/article/details/126128452

版权

PV-RCNN针对3D对象检测提出了一种结合体素和点云优势的方法。它通过体素预处理获取候选区域，再利用点云精炼坐标位置。网络包含两分支，上分支处理体素，下分支处理关键点。通过Predicted Keypoint Weight调整关键点权重，并使用RoI-grid Pooling进行特征聚合。实验表明该方法有效。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述
paper

code

问题以及创新点

问题

Voxel的方法由于对原始点云做了预处理，虽然能够更有效的提取候选区域，但不够准确
基于点云的方法，相对位置更加准确，但内存消耗比较大

创新点

充分利用两种方法的优势，通过voxel有效地获取目标候选区域，通过点云对坐标位置进行更精准的refine。

网络架构

在这里插入图片描述
整个网络包含了两个分支。
上分支：

 - 原始点云
 - 体素化
 - 3D Sparse convolution提取特征，并完成1×,2×， 4× ，8×下采样。
 - 转化为鸟瞰图
 - RPN预测 3Dbbox

下分支：

 - 分别以原始点云，以及各层下采样的提速化，BEV作为输入
 - 通过PointNet++ 中

最低0.47元/天解锁文章