Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds
每日论文--CVPR2022目标检测
- 论文解读
论文解读
本文基于point_base的方法实现了高效的3D检测器IA-SSD,作者认为,使用传统的FPS方法会丢失大量前景点,导致检测recall下降,因此更加关注前景点。
网络主体结构如上图所示,该网络首先使用了类似PointNet++中SA模块来进行下采样,并分析了RS,D-FPS,Feat-FPS之间的性能和效率。结果显示,RS丢失了大量前景点,导致recall明显降低,而D-FPS和Feat-FPS在前几层中保持了较高的recall,但在最后的Centroid Aggregation中性能不佳。因此作者提出了Cls-aware和Ctr-aware这两种采样策略。
Cls-aware利用原始标注框生成语义标签进行监督,并使用普通的Cross-Entropy计算损失。其式如下:
Ctr-aware计算了各点到检测框六个面的距离,用来表示该点和框实例中心的距离,距离越小,权重越高。
其中f*、b*、l*、r*、u*、d*分别表示该点到检测框前、后、左、右、上、下的距离。在训练过程中,掩码根据空间位置不同,为每个点分配不同权值,从而将几何先验隐式地纳入到网络训练中。特别地,加权交叉熵损失计算如下:
掩模与前景点的损失项相乘,使靠近中心的点具有更高的概率。推理过程保留得分最高的K个点。
四种方法实际效果对比如下图所示,可以看到所提出方法在高效的同时保持了良好的recall。
模型在2080TI上的FPS达到了83,速度非常快,却内存占比很小。
在车辆和非机动车的检测中取得了不错的效果,行人的效果不理想。
文章现在前两层使用了D-FPS,后两层使用了Ctr-aware。
Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds相关推荐
- 【3D 目标检测】Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point
Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Cloud 一 ...
- 机器学习论文:《LightGBM: A Highly Efficient Gradient Boosting Decision Tree》
翻译自<LightGBM: A Highly Efficient Gradient Boosting Decision Tree> 摘要 Gradient Boosting Decisio ...
- Design and Implementation of a Highly Efficient DGEMM for 64-bit ARMv8 Multi-Core Processors
Design and Implementation of a Highly Efficient DGEMM for 64-bit ARMv8 Multi-Core Processors 针对64位 A ...
- Lightgbm源论文解析:LightGBM: A Highly Efficient Gradient Boosting Decision Tree
写这篇博客的原因是,网上很多关于Lightgbm的讲解都是从Lightgbm的官方文档来的,官方文档只会告诉你怎么用,很多细节都没讲.所以自己翻过来Lightgbm的源论文:LightGBM: A H ...
- 《LightGBM: A Highly Efficient Gradient Boosting Decision Tree》论文笔记
1 简介 本文根据2017年microsoft研究所等人写的论文<LightGBM: A Highly Efficient Gradient Boosting Decision Tree> ...
- Highly Efficient Natural Image Matting
Highly Efficient Natural Image Matting 文章可用(可尝试)创新点 使用OCBlock代替传统卷积 ENA结构(非局部注意.长短注意操作) 提出问题: 使用深度学习 ...
- 『 论文阅读』LightGBM原理-LightGBM: A Highly Efficient Gradient Boosting Decision Tree
17年8月LightGBM就开源了,那时候就开始尝试上手,不过更多还是在调参层面,在作者12月论文发表之后看了却一直没有总结,这几天想着一定要翻译下,自己也梳理下GBDT相关的算法. Abstract ...
- LightGBM: A Highly Efficient Gradient Boosting Decision Tree
论文杂记 图像检索--联合加权聚合深度卷积特征的图像检索方法 主目录 下一篇 文章结构 lightgbm原理 [前言] LightGBM: A Highly Efficient Gradient Bo ...
- CVPR2022——Not All Points Are Equal : IA-SSD
IA-SSD Not All Points Are Equal:IA-SSD Motivation Contribution Keyknowledge Instance-aware Downsampl ...
最新文章
- GlideApp 引入不了问题
- php mysql建表_mysql建表测试
- redux-form(V7.4.2)笔记(二)
- 求最大、次大和第3大的值
- python编程环境安装包_Python环境安装与配置
- 图像拼接1 特征提取
- linux sh 必要,Linux Shell学习之基础篇(不适合学习,仅为本人笔记)
- 佩奇,是你吗?曝新款AirPods外观酷似吹风机
- python对数组缺失值进行填充
- 寒武纪“动荡”的 6 周年:CTO 梁军离职,市值蒸发 59 亿,核心技术人才仅剩 3 人
- 拆分窗口QSplitter
- 程序员人生:技术人员的职业发展规划
- QTableWidget背景色交替
- Jmeter常用插件下载
- ORACLE之SQL——排序
- 安卓webview下使用zepto的swipe遇到的坑
- 从零开始研发GPS接收机连载——7、跟踪模块概述和设计
- “改造” VS Code 编辑器,一起写个插件吧!
- tp交换机管理页面_TP-Link路由器作为无线交换机怎么设置【设置方法】
- C++实验(一)—— CMatrix类设计与实现