科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于点云的三维目标检测在机器人、自动驾驶等领域起着至关重要的作用，激光点云能为场景理解提供精确的几何信息。然而，由于点云的稀疏性和物体间的遮挡关系，激光点云通常只能描述物体的部分形状，导致目标结构信息不完整，从而降低检测精度。针对这个问题，提出基于对称形状生成的三维目标检测网络(SSG-RCNN),一种双阶段目标检测器。考虑到感兴趣目标形状的对称性，SSG-RCNN在一阶段生成候选框的同时为每个前景点预测镜像对称点，从而恢复目标的整体形状。二阶段中，使用自注意力池化层从原始点和对称点中聚合特征用于候选框修正，完成三维框预测。KITTI数据集上的实验表明SSG-RCNN取得了卓越的检测性能，在测试集上对困难目标的检测精度达到77.64%,高于所有对比方法。
- 单位
