Voxel R-CNN：迈向高性能基于体素的三维目标检测

近年来，三维目标检测的进展在很大程度上依赖于三维数据的表示方式，即体素（voxel-based）或点云（point-based）表示。现有许多高性能的三维检测器采用点云表示，因其能够更好地保留点的精确位置信息。然而，由于点云数据的无序存储特性，点级特征会带来较高的计算开销。相比之下，体素结构更适用于特征提取，但由于输入数据被划分为规则网格，通常会导致检测精度下降。本文提出一种不同的视角：我们发现，原始点的精确位置并非实现高性能三维目标检测的必要条件，粗粒度的体素划分同样能够提供足够的检测精度。基于这一认识，我们提出了一种简单而高效的体素基框架——Voxel R-CNN。该方法采用两阶段策略，充分挖掘体素特征的优势，在保持与当前最先进点云基模型相当的检测精度的同时，显著降低了计算成本。Voxel R-CNN由一个三维主干网络、一个二维鸟瞰图（Bird’s-Eye-View, BEV）区域建议网络（Region Proposal Network）以及检测头构成。我们进一步设计了体素区域感兴趣池化（Voxel RoI Pooling），可直接从体素特征中提取RoI特征，以支持后续精细化处理。我们在广泛使用的KITTI数据集以及较新的Waymo Open Dataset上进行了大量实验。结果表明，相较于现有体素基方法，Voxel R-CNN在保持实时帧处理速度（即在NVIDIA RTX 2080 Ti GPU上达到25 FPS）的同时，实现了更高的检测精度。代码已开源，地址为：https://github.com/djiajunustc/Voxel-R-CNN。