LaserNet：一種高效的自動駕駛概率三維目標探測器
本文介紹了一種基于激光雷達數(shù)據(jù)的激光網(wǎng)絡(luò)自動駕駛?cè)S目標檢測方法——LaserNet。高效的處理結(jié)果來自于在傳感器的自然距離視圖中處理激光雷達數(shù)據(jù)。在激光雷達視場范圍內(nèi)的操作有許多挑戰(zhàn)，不僅包括遮擋和尺度變化，還有基于傳感器如何捕獲數(shù)據(jù)來提供全流程信息。
本文介紹的方法是使用一個全卷積網(wǎng)絡(luò)來預(yù)測每個點在三維物體上的多模態(tài)分布，然后有效地融合這些多模態(tài)分布來生成對每個對象的預(yù)測。實驗表明，把每個檢測建模看作一個分布，能獲得更好的整體檢測性能�；鶞蕼y試結(jié)果表明，相比其他的檢測方法，本方法的運行時間更少；在訓練大量數(shù)據(jù)來克服視場范圍目標檢測問題上，本方法獲得最佳性能。
LaserNet通過以下幾個步驟實現(xiàn)三維檢測：
使用傳感器的固有范圍視場來構(gòu)建一個密集的輸入圖像；
圖像通過全卷積網(wǎng)絡(luò)生成一組預(yù)測；
對于圖像中的每個激光雷達點，預(yù)測一個類概率，并在俯視圖中對邊界框架進行概率分布回歸；
每個激光雷達點分布通過均值漂移聚類進行組合，以降低單個預(yù)測中的噪聲；
檢測器進行端到端訓練，在邊界框架上定義損失；
用一種新的自適應(yīng)非最大抑制（NMS）算法來消除重疊的邊框分布。
上圖為深層聚合網(wǎng)絡(luò)架構(gòu)。列表示不同的分辨率級別，行表示聚合階段。
上圖為特征提取模塊（左）和特征聚合模塊（右）。虛線表示對特征圖進行了卷積。
分享
請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
