激光雷达点云质量评价 公司推荐

global attentionDetection head基于camera view的目标检测方法有两种输出方式表达，一种是纯分割区域，另一种是分割与检测框。纯分割区域表达纯分割的输出是基于camera view的模型直接、的一种输出。在原始3D点云中，尤其是远处的点，点与点之间的距离都较远，如bev投影图，造成点特征提取时很难融入上下文信息。而camera view投影图将点云中的点聚拢，每个点都可以很方便的获得更大范围的上下文信息，这种投影方式更适合分割任务。如在SqueezeSeg[3]和PointSeg[4]两篇文章中，都直接将分割作为终任务目标，但是为了得到更好的联通区域，需要增加较多的后处理。如在SqueezeSeg[3]，在模型输出后又增加了crf提高分割效果。在PointSeg[4]中，使用RANSAC将异常点剔除，如下图，行为模型输入，*二行为模型直接的预测输出，*三行为将模型输出的camera view图反投影得到的点云图，*四行为经过ransac后再反投影得到的点云图，对比*三行和*四行对应的图可以看出，ransac有效的抑制很多离目标较远的点。
将两组特征联合作为proposal的pooling特征。
Roi aware Point Cloud Pooling Roi grid pooling[6]与上面两种pooling方法不同的是，并没有将proposal通过voxel得到固定大小的特征图，而是根据pv-rcnn[6]中提出的key point信息，将proposal用6*6*6=216个grid points表达，grid points是从proposal中的key points均匀采样获得，且RoI-grid point features提取过程和key point feature提取过程是相似的。简单来说是以grid point为中心，r为半径的区域内提取不同尺度、不同感受野的特征，在使用2层的MLP网络获得终的特征表达，如图7所示。

Roi grid point feature extraction总结：目前基于point-wise feature的目标检测方法还处于研究阶段，效率无法保证，精度还未在真实自动驾驶车上，但由于该方法直接从点云提取特征，大的保留了点云的原始信息，比较有潜力得到更好的效果。参考文献：
1、PointPillars: Fast Encoders for Object Detection from PointClouds
2、VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
3、PIXOR: Real-time 3D Object Detection from Point Clouds
4、Multi-View 3D Object Detection Network for Autonomous Driving5、YOLO3D: End-to-end real-time 3D Oriented Object Bounding Box Detection from LiDAR Point Cloud6、SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud7、PointSeg: Real-Time Se ** ntic Segmentation Based on 3D LiDAR Point Cloud8、LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving

1. 特征提取：在proposal中随机筛选N个点，1）获得阶段的点特征；2）获得N个点的坐标，并用如下图5所示的canonical transfor ** tion得到与原坐标系无关的坐标特征。两种特征联合在一起，作为proposal中点的特征表达
2. Voxel表达：将不同大小的proposal，通过voxel统一化到相同大小：dl = 6,dw = 6,dh = 6
3. 使用VFE layer提取终特征

canonical transfor ** tionRoi aware Point Cloud Pooling[5]整体流程如下图6所示，与STD[9]中的pooling方法类似，先将proposal分割成固定大小的voxel，如14×14×14，然后再提取voxel特征表达：
· RoIAwareMaxPool：使用的是阶段输出的point-wise se ** ntic part feature，在voxel中计算 ** x pooling
· RoIAwareAvgPool：使用的是proposal中经过canonical transfor ** tion点坐标特征和segmentation score，在voxel中计算avg pooling