AVOD-Net 用于自动驾驶的聚合视图3D对象检测网络

前言

AVOD-Net和MV3D-Net比较像，AVOD-Net算是MV3D-Net的加强版。该论文通过聚合不同视角的数据，实现了自动驾驶场景下3D物体的实时检测。

论文地址：Joint 3D Proposal Generation and Object Detection from View Aggregation

开源代码：https://github.com/kujason/avod

一、框架了解

先看下总体网络结构：（可以点击图片放大查看）

输入的数据：有二种，分别是点云俯视图和二维RGB图像。输出数据：类别标签、3D边界框。

相对于MV3D-Net的改进措施：

• 1）去掉了激光点云的前视图输入。
• 2）在俯视图中去掉了强度信息。

去掉这两个信息仍然能取得号的效果，就说明俯视图和图像信息已经能够完整诠释三维环境了。

二、提取特征

先看一下AVOD-Net如何提取特征的。 

​

 它主要提取出二部分数据，分别是图像特征、点云俯视图特征，其中图像+点云俯视图融合特征，在数据整合起到作用。后面将这二种特征进行融合。

它使用了全分辨率特征，所以为了在整合时降低维度，先进性了1X1的卷积。

AVOD使用的是FPN，包含了encoder和decoder，它可以在保证特征图相对于输入是全分辨率的，而且还能结合底层细节信息和高层语义信息，因此能显著提高物体特别是小物体的检测效果。（对比：MV3D-Net 是使用的VGG16做特征提取。）

​

三、数据整合

再看看数据整合。

AVOD使用的是裁剪和调整（crop and resize）。

四、3D Bounding Box的编码上添加了几何约束

MV3D, Axis Aligned, AVOD三种不同的3D Bounding Box编码方式如下图所示，

•  AVOD利用一个底面以及高度约束了3D Bounding Box的几何形状，即要求其为一个长方体。
• MV3D只是给出了8个顶点，没有任何的几何约束关系。

此外，MV3D中8个顶点需要一个24维（3x8）的向量表示，而AVOD只需要一个10维（2x4+1+1）的向量即可，做到了很好的编码降维工作。

五、模型效果

与其他模型的对比：

在KITTI上，AVOD目前（2018.7.23）名列前茅，在精度和速度上都表现较好，与MV3D, VoxelNet, F-PointNet对比的结果如下表所示。

​

模型预测效果：

本文参考：https://zhuanlan.zhihu.com/p/86340957、https://zhuanlan.zhihu.com/p/40271319

​

论文地址：Joint 3D Proposal Generation and Object Detection from View Aggregation

开源代码：https://github.com/kujason/avod

本文只提供参考学习，谢谢。

​