STD: Sparse-to-Dense 3D-Objekterkennung für Punktwolken

Wir präsentieren ein neues zweistufiges 3D-Objekterkennungsframework, das als sparse-to-dense 3D Objekterkennung (STD) bezeichnet wird. Im ersten Stadium handelt es sich um ein bottom-up Vorschlagsgenerierungsnetzwerk, das rohe Punktwolken als Eingabe verwendet, um genaue Vorschläge durch die Anbringung eines neuen sphärischen Anchors an jeden Punkt zu generieren. Es erreicht eine höhere Recall-Rate mit weniger Berechnungen im Vergleich zu früheren Arbeiten. Anschließend wird PointsPool angewendet, um Vorschlagseigenschaften durch die Transformation der inneren Punkteigenschaften von einer dünnen Darstellung zu einer kompakten Repräsentation zu generieren, was erneut viel Berechnungszeit spart. Bei der Box-Vorhersage, dem zweiten Stadium, implementieren wir einen parallelen Intersection-over-Union (IoU)-Zweig, um die Bewusstsein für die Lokalisierungsgenauigkeit zu erhöhen und dadurch die Leistung weiter zu verbessern. Wir führen Experimente auf dem KITTI-Datensatz durch und bewerten unsere Methode hinsichtlich der 3D-Objekterkennung und der Erkennung aus Vogelperspektive (Bird's Eye View, BEV). Unsere Methode übertrifft andere Stand-of-the-Art-Methoden deutlich, insbesondere bei der schwierigen Testmenge, wobei die Inferenzgeschwindigkeit mehr als 10 FPS beträgt.