CVPR2020 | 基于點的3D單階段對象檢測器3DSSD
本文通過兩步定義候選點的中心標簽：
1． 確定該點是否在一個目標中；
2． 計算該點到這個目標六面體上下左右表面的距離，再通過以下公式得到 l＿ctrness：
損失函數(shù)
全部損失函數(shù)分為分類損失、回歸損失和偏移損失（這個是指從采樣代表點到候選點得到時的損失函數(shù)）。
其中 N＿c 為候選點的個數(shù)，N＿p 為勾選點中前景點的個數(shù)，N＿P＾＊ 表示 F－FPS 采樣得到的候選點。分類損失采用的是交叉熵函數(shù)，s＿i， u＿i 分別表示預測得分和中心性分數(shù)。回歸損失包括距離回歸、大小回歸、角度回歸和角點回歸。
論文實驗
本文實驗使用了 mix－up、隨機旋轉平移、x 軸尺度變化、z 軸旋轉四種數(shù)據(jù)增強方法。在 KITTI 和 nuScenes 兩個數(shù)據(jù)集上進行了實驗。
為驗證各�？斓挠行�，本文還進行了消融實驗。
值得注意的是，本文的方法甚至可以與基于體素的單階段方法保持相似的 inference 速度。在所有現(xiàn)有方法中，本文的方法僅比 PointPillars 慢，而 PointPillars 已通過多種實現(xiàn)優(yōu)化策略（例如 TensorRT）進行了增強，但是在本文的實現(xiàn)中尚未使用。本文的方法仍有很大的潛力可以進一步加速。
結論
本文首次提出了一種輕量級且高效的基于點的 3D 單階段目標檢測框架，并引入了一種新穎的融合采樣策略，以刪除費時的 FP 和優(yōu)化模塊。在預測網(wǎng)絡中，候選生成層利用降采樣的代表點進一步降低計算成本。本文提出的帶有 3D 中心標簽的無錨回歸頭提高了最終性能。所有這些有效的設計使本文的模型在性能和 inference 時間方面都表現(xiàn)更加出色。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
