用于点云上3D目标检测的分层图网络

基于点云的三维物体检测在众多领域具有广泛应用。然而，现有的大多数点云物体检测方法未能充分考虑点云数据固有的特性（如稀疏性），导致关键的语义信息（如形状信息）未能被有效捕捉。为此，本文提出一种基于图卷积（GConv）的分层图网络（HGNet），用于直接处理原始点云并预测三维边界框。HGNet能够有效建模点之间的空间关系，并利用多层级语义信息进行物体检测。具体而言，本文提出一种新颖的形状感知图卷积（Shape-Attentive GConv, SA-GConv），通过建模点之间的相对几何位置来描述物体形状，从而捕捉局部形状特征。基于SA-GConv构建的U型网络可提取多层级特征，这些特征经由改进的投票模块映射至统一的特征空间，进而用于生成检测提议（proposals）。随后，引入一种新型的基于图卷积的提议推理模块（Proposal Reasoning Module），在全局场景语义上下文中对提议进行推理，最终完成边界框的预测。实验结果表明，所提出的框架在两个大规模点云数据集上均显著优于现有最先进方法：在SUN RGB-D数据集上，平均精度均值（mAP）提升4%；在ScanNet-V2数据集上，mAP提升3%。