PV-RCNN结合了体素和点云方法，解决了3D目标检测中的效率和精度问题。该论文提出了点-体素特征抽象模块（VSA），以及预测关键点加权模块（PKW），在KITTI排行榜上名列前茅。通过3D稀疏卷积作为Backbone，并采用 anchor-based 方案，提高了召回率。VSA模块减少了计算量，而PKW模块根据关键点的重要性加权特征，提升了定位准确性。
文章目录
本论文目前是KITTI排名第一，香港中文大学和商汤出品，该作者还提出了PointRCNN和Part-A 2 ^2 2Net。
PV-RCNN
本文将Grid-based（我一般常称为Voxel-based）的方法和Point-based的方法优缺点结合了起来。本文首先说明了Grid-based和Point-based的方法的优缺点：
“Generally, the grid-based methods are more computationally efficient but the inevitable information loss degrades the fine- grained localization accuracy, while the point-based methods have higher computation cost but could easily achieve larger receptive field by the point set abstraction.”
网络的结构图如下：
RPN
Backbone: 3D Sparse Convolution
在本文中没有介绍太多，但在作者之前的一篇文章“Part-A 2 ^2 2 Net: 3D Part-Aware and Aggregation Neural Network for Ob
最低0.47元/天 解锁文章
扫一扫
944
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
