论文地址: https://arxiv.org/pdf/2007.12392.pdf
代码:
来源: 谷歌研究院
论文名称:An LSTM Approach to Temporal 3D Object Detection in LiDAR Point Clouds
原文作者:Rui Huang
内容提要
在3D激光雷达数据中检测物体是自动驾驶和其他机器人应用的核心技术。虽然激光雷达的数据是实时获取的,但是大部分的3D目标检测算法都为每一帧独立地提出了目标边界框,而忽略了时域中可用的有用信息。为了解决上述问题,本文提出了一种稀疏的基于LSTM的多帧3D目标检测算法。使用U-Net风格的3D稀疏卷积网络提取每帧激光雷达点云的特征。将这些特性提供给LSTM模块,与上一帧的隐藏特性和记忆特性一起,来预测当前帧中的3D对象的隐藏特性和记忆特性,并且传递给下一帧。在Waymo Open Dataset上的实验表明,在每帧使用更少的内存和计算量的同时,我们的算法每帧比传统的逐帧算法提高了7.5% mAP@0.7,比其他多帧算法的性能提高了1.2%。据我们所知,这是第一次使用LSTM在稀疏点云中进行3D对象检测。
主要框架及实验结果
声明:文章来自于网络,仅用于学习分享,版权归原作者所有,侵权请联系删除。