FCAF3D: Fully Convolutional Anchor-Free 3D Object Detection

Kürzlich haben vielversprechende Anwendungen in der Robotik und erweiterter Realität erhebliche Aufmerksamkeit auf die 3D-Objekterkennung aus Punktwolken gelenkt. In diesem Artikel stellen wir FCAF3D vor – eine erstklassige, vollständig konvolutionale, anchor-free Methode zur 3D-Objekterkennung für Innenräume. Es handelt sich um eine einfache, jedoch effektive Methode, die eine Voxel-Darstellung der Punktwolke nutzt und diese Voxel mittels spärlicher Konvolutionen verarbeitet. FCAF3D kann großflächige Szenen mit minimaler Laufzeit durch einen einzigen vollständig konvolutionalen Vorwärtsdurchlauf verarbeiten. Bisherige Ansätze zur 3D-Objekterkennung basieren auf vorherigen Annahmen bezüglich der Geometrie von Objekten, und wir argumentieren, dass dies ihre Generalisierungsfähigkeit einschränkt. Um jegliche vorherige Annahmen zu vermeiden, schlagen wir eine neuartige Parametrisierung orientierter Bounding Boxes vor, die eine bessere Leistung auf rein datengetriebener Basis ermöglicht. Die vorgeschlagene Methode erreicht state-of-the-art Ergebnisse in der 3D-Objekterkennung hinsichtlich [email protected] auf den Datensätzen ScanNet V2 (+4,5), SUN RGB-D (+3,5) und S3DIS (+20,5). Der Quellcode und die Modelle sind unter https://github.com/samsunglabs/fcaf3d verfügbar.