原創(chuàng) | 文 BFT機器人

01技術背景

在過去的幾年中，深度學習技術已經(jīng)在圖像領域的物體檢測中取得了顯著的進展，諸如目標檢測算法（如Faster R-CNN、YOLO和SSD）在圖像中能夠高效準確地檢測出物體。然而，當涉及到點云數(shù)據(jù)（由激光雷達等傳感器獲取的三維數(shù)據(jù)）時，物體檢測仍然面臨許多挑戰(zhàn)。

點云數(shù)據(jù)與傳統(tǒng)的圖像數(shù)據(jù)不同，它們是由大量的離散點組成，每個點都包含了物體在三維空間中的位置信息。因此，在點云數(shù)據(jù)中進行物體檢測需要解決一些獨特的問題。例如，點云數(shù)據(jù)的密度可能會因物體距離傳感器的遠近而變化，噪聲和遮擋也可能影響檢測結果。此外，點云數(shù)據(jù)通常需要進行預處理，以便在深度學習模型中使用。

為了克服這些挑戰(zhàn)，該文提出了一種新的點云數(shù)據(jù)編碼器，名為PointPillars。PointPillars可以實現(xiàn)端到端的訓練，從而直接從原始點云數(shù)據(jù)中學習物體檢測任務。這種編碼器可以將點云數(shù)據(jù)轉換為一種表示形式，使其適用于深度學習模型的輸入。PointPillars的設計考慮了點云數(shù)據(jù)的稀疏性，以及在三維空間中的分布情況。

值得注意的是，該方法在KITTI挑戰(zhàn)賽中取得了最好的檢測性能。KITTI挑戰(zhàn)賽是一個關注自動駕駛領域的競賽，旨在評估不同算法在真實場景中檢測、定位和跟蹤車輛等物體的能力。因此，PointPillars 的成功表明了它在點云數(shù)據(jù)中進行物體檢測方面的有效性和優(yōu)越性。

02論文創(chuàng)新點

本文的創(chuàng)新點是提出了一種新的編碼器，稱為PointPillars，它可以對點云數(shù)據(jù)進行端到端的訓練，并且可以在只使用激光雷達數(shù)據(jù)的情況下實現(xiàn)比現(xiàn)有方法更高的檢測性能。PointPillars使用PointNets對點云數(shù)據(jù)進行編碼，將點云數(shù)據(jù)組織成垂直柱狀結構，然后使用2D卷積神經(jīng)網(wǎng)絡進行檢測。與現(xiàn)有方法相比，PointPillars具有更快的運行速度和更高的檢測精度。此外，PointPillars不需要手動調整垂直方向的分箱，因為它是在柱狀結構上進行操作，而不是在體素上進行操作。

03算法介紹

涉及本文中的算法部分，它主要分為兩個關鍵組件：編碼器和檢測器。

編碼器：編碼器利用PointNets對點云數(shù)據(jù)進行處理，以創(chuàng)建一種垂直柱狀結構。具體而言，編碼器將點云數(shù)據(jù)劃分為垂直方向的柱狀體素，每個體素包含一定數(shù)量的點。隨后，PointNets被用于對每個柱狀體素進行編碼，產(chǎn)生一個固定長度的特征向量。這些特征向量被整合成一個矩陣，將其作為檢測器的輸入。

檢測器：檢測器利用2D卷積神經(jīng)網(wǎng)絡對經(jīng)編碼的點云數(shù)據(jù)進行檢測。具體而言，檢測器采用了Single Shot Detector (SSD)架構進行物體檢測。SSD架構使用一組預定義的錨點框來感知物體，每個錨點框代表特定的物體尺寸和寬高比。檢測器通過卷積神經(jīng)網(wǎng)絡對每個錨點框進行分類和回歸，從而確定每個框是否包含物體，同時確定物體的位置和尺寸。

總體來看，PointPillars算法的主要優(yōu)勢在于，它能夠僅利用激光雷達數(shù)據(jù)實現(xiàn)比現(xiàn)有方法更出色的檢測性能。此外，該算法的執(zhí)行速度更快，檢測精度更高。值得一提的是，PointPillars不需要手動調整垂直方向的箱體劃分，因為其操作是在柱狀結構上進行，而非體素級別上進行調整。這使得算法更加自適應。

04實驗論述

本文的實驗部分主要使用了KITTI object detection benchmark dataset進行實驗。該數(shù)據(jù)集包含了激光雷達點云數(shù)據(jù)和圖像數(shù)據(jù)，用于物體檢測和跟蹤任務。本文只使用激光雷達點云數(shù)據(jù)進行訓練和測試，并與使用激光雷達和圖像數(shù)據(jù)的融合方法進行比較。

實驗設置：

本文使用Adam優(yōu)化器對損失函數(shù)進行優(yōu)化，初始學習率為2e-4，每15個epoch衰減0.8倍。訓練160個epoch，batch size為2，驗證集和測試集的batch size分別為4。為了進行實驗研究，本文將官方訓練集分為3712個訓練樣本和3769個驗證樣本，測試集包含784個樣本。本文使用訓練集進行模型訓練，使用驗證集進行模型選擇和調整，最終在測試集上進行評估。

實驗結果：

本文的實驗結果表明，PointPillars算法在只使用激光雷達數(shù)據(jù)的情況下，可以實現(xiàn)比現(xiàn)有方法更高的檢測性能。在KITTI 3D和鳥瞰圖檢測基準測試中，PointPillars算法的檢測性能顯著優(yōu)于現(xiàn)有方法，即使與使用激光雷達和圖像數(shù)據(jù)的融合方法進行比較，也具有更高的檢測精度。此外，PointPillars算法的運行速度也比現(xiàn)有方法更快，可以在62Hz的速度下運行，比現(xiàn)有方法快2-4倍。在更快的版本下，PointPillars算法可以在105Hz的速度下與現(xiàn)有方法匹配。

05結論與分享

PointPillars是一種專注于點云數(shù)據(jù)的物體檢測算法，它在僅利用激光雷達數(shù)據(jù)的情況下，實現(xiàn)了優(yōu)越于現(xiàn)有方法的檢測性能。該算法不僅具備更快的運行速度和更高的檢測精度，還在KITTI 3D目標檢測和鳥瞰圖檢測基準測試中展現(xiàn)出顯著的優(yōu)勢。即使與使用激光雷達和圖像數(shù)據(jù)融合的方法進行對比，PointPillars算法依然表現(xiàn)出更高的檢測準確性。

值得注意的是，PointPillars算法不僅實現(xiàn)了更快的運行速度，達到每秒62幀的速率，比現(xiàn)有方法提速2-4倍，而且在更快的變體下，甚至可以達到每秒105幀的速率，與當前方法相媲美。因此，PointPillars算法在點云數(shù)據(jù)物體檢測領域展現(xiàn)出了巨大的潛力。這一研究為點云數(shù)據(jù)的物體檢測提供了一個有前途的解決方案。

作者 |?芊?；?/span>

排版?|?春花

審核?| 柒柒

若您對該文章內容有任何疑問，請于我們聯(lián)系，將及時回應。如果想要了解更多的前沿資訊，記得點贊關注哦~