浅读 Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds

作者：Yifan Zhang¹, Qingyong Hu^2*, Guoquan Xu¹, Yanxin Ma¹, Jianwei Wan¹, Yulan Guo¹

作者单位：¹国防科技大学，²牛津大学

文章来源：2022CVPR（Oral）

代码：https://github.com/yifanzhang713/IA-SSD

本算法类似3DSSD的基本框架，调整了基于原始点云表征的方法中前期的采样策略，保留了更多的前景点，提升了推理速度。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。

数据集：

KITTI: https://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d

Waymo: https://waymo.com/open/

ONCE: https://once-for-auto-driving.github.io

【要解决的现有问题】

① 与任务无关的随机采样/最远点采样，忽视了前景点的重要性；

② 点云中丰富的上下文信息没有被充分利用；

③ 为了追求精度，通常面对多个类别任务时训练多个模型，在实际应用中的代价大，所以考虑能否仅用一个模型完成多类别任务。

【贡献】

① 发现了现有点基检测器的采样问题，并通过引入两种基于学习的实例感知下采样策略，提出了一种高效的点基三维检测器IA-SSD；

② IA-SSD是高效的，能够在一次通过激光雷达点云上检测多类对象；

③ 多个数据集上测试结果表明，算法性能较好。

【提出的方法】

① 提出了基于学习、面向任务的两个实例感知的下采样方法：类别感知（CLS）、中心点感知（CTR），

CLS：采样中加入前景点预测head，保留每个语义类别得分高的N个点。

CTR：仅在训练中使用，加入了预测距离中心的权重head。

② 提出了上下文实例质心感知，生成3D bbox时不仅使用框内的点，还使用了周围的点。

【实验分析】

① 本文提出的实例感知采样模块，提高了召回率和检测精度。

② 本文提出的算法在占用内存和处理速度上明显优于对比算法。

③ 速度与精度与对比算法相比较好，但是精度达不到SOTA水平。

【总结】

本文为了降低内存和计算成本，尽可能多的保留前景点，保留的代表点输入上下文感知检测头进行中心点预测和proposal生成，输出3D bbox和类别label，实验表明其具有较好性能，精度上达不到SOTA，速度提升很大。