本文首發於公眾號：CNNer 。實時分享CVPR、ECCV等會議，關注深度學習、自動駕駛領域，我們期待你的加入。關注「CNNer」，選擇加「星標」或「置頂」精選乾貨，當日達。
論文地址：https://arxiv.org/abs/2002.10187來源：香港中文大學原文標題：3DSSD: Point-based 3D Single Stage Object Detector原文作者：Zetong Yang
當前有很多種single-stage的（single-stage:一次完成檢測步驟，two-stage: 候選區域提取+分類兩步完成檢測）基於體素的3D目標檢測器，但是基於Point的single-stage檢測算法仍然有很大的優化空間。本文首先提出了一種輕量級和高效的基於Point的3D single-stage 目標檢測器，並命名為3DSSD，該算法很好的平衡了精度和效率上的取捨。傳統的基於點的算法為了更好的執行效果，都會存在上採樣和細化網絡層結構，而本文算法為了降低計算量去掉了這種結構。本文創新性的提出了一種融合採樣策略可以檢測到少量的具有代表性的點用於實現降採樣。為了滿足我們對精度和速度的要求，本文提出了一個盒預測網絡，包含一個通過anchor-free regression head的3D非中心複製策略構建的候選區域生成層。我們的算法是一個簡練的single-stage anchor-free框架，與其他算法相比我們的算法有被不可比擬的優勢。我們分別在被廣泛使用的Kitti數據和更具挑戰性的nuScenes上，對3DSSD算法進行了測試。本文的算法比當前所有的基於體素的single-stage檢測算法取得了更好的效果，同時性能達到與two-stage point-based的算法相當的水平，但是推理速度可以超過20Hz，比當前最好的point-based算法快2倍。
為了提高執行效率本文去除了傳統方法中的FP曾和細化模塊，並提出了一種新的融合採樣策略作為改進。同時為了進一步提高性能提出了一個基於anchor-free regression head的3D非中心複製策略構建的候選區域生成層。論文在算法精度和性能上都有了較高的額提升。
下面是論文具體框架結構以及實驗結果：
聲明：文章來自於網絡，如有侵權請聯繫，管理員。