摘要
本文提出了一种在RGB-D场景中为物体生成三维边界框的技术。我们的方法充分利用二维信息，快速缩小三维空间中的搜索范围，从而受益于当前先进的二维目标检测技术。随后，我们利用三维信息对边界框进行定向、定位与评分。针对每个物体，我们独立估计其方向，采用基于法线信息的已有技术；物体在三维空间中的位置与尺寸则通过多层感知机（MLP）进行学习。在最后一步中，我们基于场景内物体类别之间的关系对检测结果进行优化。在著名的SUN RGB-D数据集上进行的大量实验表明，与几乎完全依赖稀疏三维空间的当前最优检测方法相比，本文所提方法在RGB-D图像中检测三维物体的速度显著更快（每幅图像仅需4.1秒），且性能更优（mAP高出3个百分点），优于当前最先进方法（其速度慢4.7倍），并可与速度慢两个数量级的方法相媲美。本研究提示我们，应进一步探索以二维驱动为主的三维目标检测方法，尤其是在三维输入数据稀疏的场景下更具潜力。