【CVPR2021】LiDAR R-CNN：一种快速、通用的二阶段3D检测器

由于激光雷达扫描到的点云通常不像图像那样有规则的排列，当前的3D点云目标检测器要么需要对点云进行体素化 (Voxelization) 使其形成规则的形状，如VoxelNet、PointPillars等；要么直接在点上抽取特征，如Point RCNN、SA-SSD等。但这两类方法各有缺点：体素化方法在量化过程中损失了点级别的精确几何信息；点上抽取特征的方法由于点云的不规则性，不论是提取关键点还是寻找邻域的过程都需要引入大量的计算量，导致无法在大规模点云上实时运行。

为了引入精确的几何信息，而又不增加过多的计算量，图森团队想到了二阶段网络。其中第一阶段我们使用常见的体素化方法进行检测，排除掉大部分的背景点，之后在第一阶段的proposal的基础上，利用原始点云信息来得到更精确的包围框。由于proposal中的大部分点都是前景点，点云数量大大降低，所以第二阶段的网络可以完美规避基于点的方法计算量大的缺点，同时保留住了原始点云中目标的精确几何形状。

https://arxiv.org/abs/2103.15297

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“LIDAR” 就可以获取《【CVPR2021】LiDAR R-CNN：一种快速、通用的二阶段3D检测器》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源