Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud
Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud
- Method
- Double-Attention Block
- Global Context Based Pillar Feature Refinement Extraction Block
- MMD Block
- Experiments
以PointPillars为framework,加入双重注意力块和图像中“非局部概念”来捕捉恶劣天气条件下远距离特征描述。并以CADC和KITTI两个作为并行输入,使用MMD实现域之间的适应。
Method
Double-Attention Block
与CBAM模块相似,两个分支分别处理逐点级(空间)注意力和通道注意力。最后Softmax合并为与输入相同shape的注意力权重:
并于输入相乘得到双重加权之后的特征。
Global Context Based Pillar Feature Refinement Extraction Block
在降雪天气下,车辆周围存在大量的噪声,这些噪声可能会造成遮挡,影响检测结果,前景对象往往会受到不同程度的雪花污染,从而影响网络提取前景几何结构信息。
由Context modeling和SE block两个模块组成,其中:
- Context modeling使用1x1卷积逐点压缩特征之后使用Softmax作归一化得到全局注意力权值,并加权输入得到全局的上下文特征
- SE block是SENet中的压缩-激发模块思想,对每一个特征用1x1卷积进行缩放来捕获特征通道之间的依赖关系。
最后讲每一个特征与原始特征相加得到具有远距离依赖的特征。
MMD Block
由于模型同时使用KITTI和CADC两个数据集作为输入,模型需要解决域不变性问题,引入MMD :maximum mean discrepancy(最大平均差异)损失:
其中
K,C表示使用KITTI,CADC作为输入提取的特征。
Experiments
四种训练方式:
(A)在Kitti(训练集)中进行培训,然后直接在CADC上进行验证。
(B)在Kitti中进行培训(使用来自CADC的500个样本和网络中的冻结层进行微调),然后在CADC上进行验证。
©在Kitti进行培训(用来自CADC的500个样本进行微调,网络中没有冻结层),然后在CADC上进行验证。
利用KITTI和CADC的组合训练集进行联合训练,分别在KITTI和CADC上验证检测性能。
在Car,Ped,Cyclist(仅在KITTI上)的消融实验:P=baseline;D,G,M分别表示上面提到的三个子模块
各种训练方式下提出的方法与其他模型的比较(感觉差差的…):
Improved 3D Object Detector Under Snowfall Weather Condition Based on LiDAR Point Cloud相关推荐
- 【论文阅读】【3d目标检测】Embracing Single Stride 3D Object Detector with Sparse Transformer
论文标题:Embracing Single Stride 3D Object Detector with Sparse Transformer 源码地址:https://github.com/TuSi ...
- STD: Sparse-to-Dense 3D Object Detector for Point Cloud 阅读笔记
Yang Z, Sun Y, Liu S, et al. Std: Sparse-to-dense 3d object detector for point cloud[C]//Proceedings ...
- Sparse-to-dense 3D Object Detector for Point Cloud(KITTI,Tencent Youtu,港中文,2019.7.22)
Sparse-to-dense 3D Object Detector for Point Cloud(KITTI,Tencent Youtu,港中文,2019.7.22) 是基于点云的二阶段检测网络. ...
- STD:Sparse-to-Dense 3D Object Detector for Point Cloud(腾讯香港大学)
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 原文地址:https://arxiv.org/abs/1907.10471 主要思想 本文提出了一种新 ...
- 点云 3D 天气数据增强 - LiDAR Snowfall Simulation for Robust 3D Object Detection (CVPR 2022)
点云 3D 天气数据增强 - LiDAR Snowfall Simulation for Robust 3D Object Detection - 用于鲁棒3D目标检测的激光雷达降雪模拟(CVPR 2 ...
- (CVPR 2020)3DSSD: Point-based 3D Single Stage Object Detector
摘要 目前,基于体素的3D单级检测器已经有很多种,而基于点的单级检测器仍处于探索阶段.在本文中,我们首先提出了一种轻量级且有效的基于点的3D单级目标检测器,名为3DSSD,在精度和效率之间取得了很好的 ...
- ICCV2019论文点评:3D Object Detect疏密度点云三维目标检测
ICCV2019论文点评:3D Object Detect疏密度点云三维目标检测 STD: Sparse-to-Dense 3D Object Detector for Point Cloud 论文链 ...
- 【论文阅读】【综述】3D Object Detection 3D目标检测综述
目录 写在开头 3D Object Detection 相关博客: Sliding window Vote3Deep: Fast Object Detection in 3D Point Clouds ...
- 3D Object Detection 3D目标检测综述
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接: https://blog.csdn.net/wqwqqwqw1231/articl ...
最新文章
- IOS开发笔记7-C语言基础复习
- HDU 1426 Sudoku Killer【DFS 数独】
- [转载]在VirtualBox中收缩虚拟磁盘映像文件
- 插入模板_现场组装楼梯踏步模板施工支设细节
- Java中从String到Long的转换
- zookeeper 原理
- java imapi_读写DVD / CD-Java
- centos7卸载docker_使用 Docker 部署 Spring Cloud 项目详细步骤
- 3.2制作双绞线跳线
- 请简述java的异常体系,Java的异常体系 面试题
- jquery+baidu map api 仿安居客地图找房源(基于百度地图)
- 浅谈对POW的认识和理解
- 【Pycharm】安装及激活、界面调整、导入anaconda的依赖库、字体设置微软雅黑
- PageRank实践-博客园用户PageRank排名
- 不知道如何录音转文字?分享两个实用方法
- 计算机科学协会入会申请书,计算机协会会长申请书
- Studing Day1 - python基础1
- Flume之Failover和Load balancing原理及实例
- 弱电控制强电:继电器的使用方法-道合顺大数据infinigo
- C++ 创建静态链接库和动态链接库