【论文阅读】【三维目标检测】Center-based 3D Object Detection and Tracking

最新推荐文章于 2024-12-12 01:00:00 发布

麒麒哈尔

最新推荐文章于 2024-12-12 01:00:00 发布

阅读量2.3k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：论文阅读

本文链接：https://blog.csdn.net/wqwqqwqw1231/article/details/117080449

本文介绍了CenterPoint，一种基于点云的3D目标检测方法，其在nuScenes和Waymo数据集上表现出色。与2D CenterNet相似，但针对3D场景，CenterPoint证明了无Anchor方法在3D目标检测中的可行性。它通过预测对象中心、尺寸、方向和使用双线性插值进行精细化，解决了点云稀疏性和3D框尺寸变化的问题，实验证明了其优于传统基于Anchor的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

CenterPoint，2021CVPR，刷榜nuScenes和Waymo数据集。
作者是与2D版的CenterNet是同样的，看来是一个组出来的文章。

从网络结构上看，本文就是将CenterNet用到了基于点云的三维目标检测问题上，但本文的出现也证明了，Anchor Free的这种方法应用在基于点云的三维目标检测任务中也是可行的。

Introduction

CenterPoint这篇的Introduction细节地说明了该方法的想法来源。

作者认为，相比于2D目标检测，3D目标检测有以下3个不同：
1）点云更稀疏，在空间中有很多地方是没有点的，也就没有原始特征。
2）3D Box是不与坐标系平行的，起码在xy坐标轴方向是不平行的。不像2D Box，总是一个水平的长方形。
3）3D Box尺寸变化大。（但我认为这个不成问题，2D中的也变化大）

第1点，第3点先按下不说，来说第2点。方向角的存在，使得预先的与坐标轴平行的anchor对于3D box来说就不能说是一个很好的解决方案了。原文中说：“One solution might be to classify a different template (anchor) for each object orientation [58, 59], but this unnecessarily increases the computational burden and may introduce a large number of potential false-positive detections. We argue that the main underlying challenge in linking up the 2D and 3D domains lies in this representation of objects.”
也就是说，使用与坐标轴平行的anchor会带来额外的计算负担和潜在的大量的假阳性的检测：
1）额外计算负担的理解：如果使用anchor，