要約
自律走行車向けの3次元物体検出方法を提案します。本方法は、ステレオ画像内の疎密な情報、意味的情報、および幾何学的情報を完全に活用することを目指しています。当社の方法であるStereo R-CNNは、Faster R-CNNをステレオ入力に拡張し、左画像と右画像の物体を同時に検出し関連付けることを可能にします。ステレオRegion Proposal Network (RPN)の後に追加のブランチを設け、疎なキーポイント、視点、および物体寸法を予測します。これらの予測値は2次元の左右ボックスと組み合わせて粗い3次元物体バウンディングボックスを計算します。その後、左RoIと右RoIを使用した領域ベースの光度アライメントにより正確な3次元バウンディングボックスを復元します。本方法では深度入力や3次元位置の教師あり学習が不要ですが、既存の全ての完全教師あり学習に基づく画像処理手法よりも優れた性能を発揮します。困難なKITTIデータセットでの実験結果から、本方法は3次元検出および3次元位置特定タスクにおいて現行最良のステレオベース手法よりも約30%高い平均精度（AP）で性能を上回ることが示されました。コードは以下のURLで公開されています: https://github.com/HKUST-Aerial-Robotics/Stereo-RCNN.