CVPR2020 | 3DSSD算法性能SOTA并且速度比PointRCNN快两倍

论文地址：https://arxiv.org/abs/2002.10187 来源：香港中文大学 原文标题：3DSSD: Point-based 3D Single Stage Object Detector 原文作者：Zetong Yang

当前有很多种single-stage的（single-stage:一次完成检测步骤，two-stage: 候选区域提取+分类两步完成检测）基于体素的3D目标检测器，但是基于Point的single-stage检测算法仍然有很大的优化空间。本文首先提出了一种轻量级和高效的基于Point的3D single-stage 目标检测器，并命名为3DSSD，该算法很好的平衡了精度和效率上的取舍。传统的基于点的算法为了更好的执行效果，都会存在上采样和细化网络层结构，而本文算法为了降低计算量去掉了这种结构。本文创新性的提出了一种融合采样策略可以检测到少量的具有代表性的点用于实现降采样。为了满足我们对精度和速度的要求，本文提出了一个盒预测网络，包含一个通过anchor-free regression head的3D非中心复制策略构建的候选区域生成层。我们的算法是一个简练的single-stage anchor-free框架，与其他算法相比我们的算法有被不可比拟的优势。我们分别在被广泛使用的Kitti数据和更具挑战性的nuScenes上，对3DSSD算法进行了测试。本文的算法比当前所有的基于体素的single-stage检测算法取得了更好的效果，同时性能达到与two-stage point-based的算法相当的水平，但是推理速度可以超过20Hz，比当前最好的point-based算法快2倍。

为了提高执行效率本文去除了传统方法中的FP曾和细化模块，并提出了一种新的融合采样策略作为改进。同时为了进一步提高性能提出了一个基于anchor-free regression head的3D非中心复制策略构建的候选区域生成层。论文在算法精度和性能上都有了较高的额提升。

下面是论文具体框架结构以及实验结果：