摘要
我们提出了一种新的两阶段3D目标检测框架，命名为稀疏到密集3D目标检测器（Sparse-to-Dense 3D Object Detector，简称STD）。第一阶段是一个自底向上的提案生成网络，该网络以原始点云作为输入，通过为每个点分配一个新的球形锚点来生成精确的提案。与先前的工作相比，该方法在减少计算量的同时实现了较高的召回率。随后，应用PointsPool对提案特征进行生成，通过将内部点特征从稀疏表示转换为紧凑表示，进一步节省了计算时间。在第二阶段的框预测中，我们实现了一个并行的交并比（Intersection-over-Union, IoU）分支，以提高对定位精度的感知能力，从而进一步提升了性能。我们在KITTI数据集上进行了实验，并从3D目标检测和鸟瞰图（Bird's Eye View, BEV）检测两个方面评估了我们的方法。实验结果表明，我们的方法大幅超越了其他最先进方法，尤其是在困难数据集上表现突出，并且推理速度超过10帧每秒（FPS）。