基于形状先验的单阶段全稀疏3D物体检测点云补全方法

《Pattern Recognition Letters》：Shape-Prior-Based Point Cloud Completion for Single-Stage Fully Sparse 3D Object Detection

　　

• •
  本文提出了一种基于形状先验的点云补全方法，专为单阶段全稀疏检测器设计。
• •
  该方法引入了实例选择模块和基于对齐的点补全模块，以提高前景点云的完整性。
• •
  在KITTI数据集上的实验结果验证了该方法的有效性和通用性。

引言

基于激光雷达的3D物体检测在自动驾驶系统中起着关键作用。近年来，众多研究致力于提升3D检测的性能。近期，有一些单阶段全稀疏3D物体检测方法[1]、[2]、[3]、[4]、[5]、[6]、[7]被提出，这些方法通过设计不同的网络架构并采用不同的数据表示形式（如体素和关键点）来提取特征。虽然这些方法表现出出色的检测性能，但也遇到了瓶颈。根本问题在于现有研究大多忽视了点云的稀疏性和不完整性对检测性能的影响。

为了解决这一问题，一些研究[8]、[9]、[10]、[11]、[12]深入分析了原始点云数据的稀疏性和不完整性所带来的挑战，并试图通过点云或体素补全来优化两阶段检测器。例如，SSN[10]和SIENet[12]利用物体的自相关特性，采用自监督学习来恢复缺失的点云信息，从而提升检测网络识别和定位物体的能力。然而，这些方法需要在第二阶段网络中完成密集表示的补全，这既耗费计算资源又浪费时间。而BtcDet[8]和Sparse2Dense[9]则通过预测形状占据信息来补全遮挡区域的体素，OKGR[11]则通过预测关键点偏移量来生成接近遮挡区域实际点的点。尽管这些方法关注的是稀疏表示，但它们仍然依赖两阶段检测器，这降低了计算效率。此外，上述方法主要是为两阶段3D物体检测器设计的，无法直接应用于单阶段全稀疏3D物体检测器。

为解决上述问题，本文提出了一种基于形状先验的点云级补全方法，该方法同时适用于基于体素和基于点的全稀疏检测器。具体而言，我们的方法包含两个核心模块：实例选择和基于对齐的点补全。在实例选择阶段，我们设计了点云分类模块来区分不同类别的点，并提出了聚类模块来对每类点进行分组。在基于对齐的点补全阶段，首先引入对齐模块将生成的原型与聚类后的实例对齐，随后再通过点补全模块来完成每个实例的点云。

我们将所提出的方法应用于最先进的全稀疏检测器上，取得了显著的性能提升。图1展示了基线方法与我们所提方法之间的特征分布差异，清晰地表明我们的方法增强了遮挡区域的特征，从而提升了对严重遮挡物体的检测能力。

本文的主要贡献如下：

• •
  我们提出了一种专为单阶段全稀疏检测器设计的点云补全方法。
• •
  我们使用实例选择模块获取实例点云，再利用基于对齐的点补全模块进行点云补全，这两者均与提议框无关。
• •
  所提出的方法被应用于两种最先进的全稀疏3D物体检测器：FSDV2[2]和VoxelNeXt[3]，并在KITTI[13]的验证集和测试集上进行了评估。实验结果显示出了显著的性能提升。

章节摘要

相关工作

由于本研究以基于激光雷达的全稀疏检测器作为基础检测框架，并在此基础上进一步设计了补全模块，因此我们回顾了两个相关领域的研究进展：基于激光雷达的3D物体检测和点云补全。

方法论

基于上述动机及相关研究，我们提出了一种专为全稀疏3D物体检测器设计的补全方法，用以提升检测性能。

实验

在本节中，我们首先介绍数据集和评估指标，接着描述实验的实现细节。随后，我们展示在上述数据集上获得的实验结果并进行分析。最后，我们通过消融实验来研究所提方法中各组成部分对整体性能的贡献。

结论

本文提出了一种基于实例选择和基于对齐的点补全的点云补全方法，专为全稀疏3D物体检测而设计。具体而言，我们设计了实例选择模块来识别场景中所有类别的实例，以及基于对齐的点补全模块来补全点云。大量的实验结果证明了该方法的有效性。

CRediT作者贡献声明

王凯政：写作——审阅与编辑，写作——初稿，可视化，方法论，研究分析。季明谦：写作——审阅与编辑，方法论。杨健：写作——审阅与编辑。张珊珊：写作——审阅与编辑。

利益冲突声明

作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。

Kaizheng Wang|Mingqian Ji|Jian Yang|Shanshan Zhang