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(nèi)容...
請輸入評論/評論長度6~500個字
最新活動更多
推薦專題
- 1 阿里首位程序員，“掃地僧”多隆已離職
- 2 先進算力新選擇 | 2025華為算力場景發(fā)布會暨北京xPN伙伴大會成功舉辦
- 3 宇樹機器人撞人事件的深度剖析：六維力傳感器如何成為人機安全的關鍵屏障
- 4 清華跑出具身智能獨角獸：給機器人安上眼睛和大腦，融資近20億
- 5 特朗普要求英特爾首位華人 CEO 辭職
- 6 踢館大廠和微軟，剖析WPS靈犀的AI實用主義
- 7 騰訊 Q2 財報亮眼：AI 已成第二增長曲線
- 8 谷歌吹響AI沖鋒號，AI還有哪些機會
- 9 蘋果把身家押在Siri上：一場輸不起的自我革命
- 10 共探合作新機遇！江門市新會區(qū)（深圳）“AI + 機器人” 產(chǎn)業(yè)對接會成功舉辦
