SECOND、PointPillar),基于Voxel的方法比较高效,其基于多尺度的特征可以生成较高质量的候选框,但是在点云转换成Voxel时会丢失精度,基于Point的方法精度高但是有较高的计算成本,因此作者结合基于Point和基于Voxel方法的优势,提出新的两阶段目标检测框架PV-RCNN。
作为3D目标检测框架之一,PointVoxel-RCNN(PV-RCNN)用于从点云中精确检测3D物体。该方法深度整合了3D体素卷积神经网络(CNN)和基于PointNet的集合抽象,以学习更具判别性的点云特征。它充分利用了3D体素CNN的高效学习和高质量提议,以及PointNet网络的灵活感受野。具体而言: 该方法通过一个体素集合抽象模块,将3D场景总结为...
具体而言,PV-RCNN算法具备以下重要结论:1.PV-RCNN成功利用了基于体素和基于点的方法,以进行3D点云特征学习,从而有效提升了3D物体检测性能。 2.PV-RCNN算法通过引入体素集合抽象和RoI-Grid池化等关键技术,实现了在内存消耗可控的情况下保持检测性能的目标。 3.在KITTI 3D检测基准测试和Waymo Open数据集上的广泛实验...
总的来说，《PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection》论文提出了一种创新的方法来解决点云数据中的三维物体检测问题。通过引入体素表示和局部特征提取，以及全局和局部特征的融合，PV-RCNN方法在准确性和效率方面都取得了显著的改进。这篇论文对对于三维物体检测领域的研究和实践具有...
PV-RCNN通过体素化及特征提取，将点云空间划分为L * W * H的体素格子，非空体素的特征为内部所有点特征的均值。采用稀疏卷积对特征进行降采样，得到不同尺度的特征。8倍下采样的特征通过Z轴投影得到2D特征图，基于锚基方法预测出3D候选框。实验表明，这种候选框生成方式具有更好的效果。引入关键点是...
我们是去年11月提交的PV-RCNN结果，大幅领先之前的SoTA算法，且保持第一大半年一直到现在（最近出现很多新方法，估计也该被别人挤下去了。。KITTI 3D检测榜单(Car类别)。2. 除了KITTI以外，自动驾驶业界巨头Waymo也在去年release了超大的点云数据集Waymo Open Dataset。据我们所知，除了Waymo/Google以外，我们应该是...
在PV-RCNN的第一阶段，原始点云被转化为Voxel，同时借助稀疏卷积提取不同尺度的特征，最后将这些特征投影到鸟瞰图视角下，使用Anchor-Based的方法预测候选框和类别。另一分支则对原始点云按照FPS进行采样，通过Voxel-to-keypoint操作提取不同阶段的Voxel特征，作为关键点的多尺度特征。第二阶段，将3D候选...
pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2:refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来...
解读:PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection,程序员大本营,技术文章内容聚合第一站。