科研之友
微信
新浪微博
Facebook
分享链接
摘要
自动驾驶场景中，通常会用基于体素化的算法来完成点云3D目标检测任务，因为该类方法拥有计算量、耗时等方面的优势。但是当下常用的方法往往会带来双重信息损失，其一是体素化带来的量化误差造成的，其二则是因为算法对体素化后的点云信息的利用也是不充分的。本文设计了一个三阶段的网络结构来解决信息损失大的问题。第一阶段使用基于体素化的优秀算法完成输出边界框的任务；第二阶段利用一阶段特征图上的信息精修边界框，以解决一阶段对输入信息利用不充分的问题；第三阶段利用了原始点的精确位置信息再次精修边界框，以弥补体素化带来的点云信息损失。在Waymo Open Dataset上，本文的多阶段3D目标检测算法在检测精度上超过了CenterPoint等受工业界青睐的优秀算法，且满足了自动驾驶落地的时间要求。
-
单位中国科学院上海技术物理研究所; 中国科学院大学; 上海科技大学
