CVPR2022——Not All Points Are Equal : IA-SSD
IA-SSD
- Not All Points Are Equal:IA-SSD
- Motivation
- Contribution
- Keyknowledge
- Instance-aware Downsampling Strategy
- Contextual Instance Centroid Perception
- Loss
- Experiment
- 采样方法在KITII验证集上的对比
- 不同的方法在KITTI测试集上的检测性能定量对比
Not All Points Are Equal:IA-SSD
写在前面:与最近读的RandLa-Net的切入点类似:downsampling的方法。
Motivation
目前的Point-Based的方法都使用"task-agnostic"(与检测本身无关)的采样方法:Random、D-FPS、Feat-FPS。对于这些采样方法都忽略了:“对于检测任务来说,前景点比背景点更重要”。
Contribution
- 本文提出了两个"learnable, task-oriented, instance-aware"采样方法(与检测任务相关的可以感知实例的学习方法)。
- 基于采样方法提出了一个高效的模型IA-SSD。
- 在KITTI、Waymo、ONCE数据集上进行了大量实验。
Keyknowledge
Instance-aware Downsampling Strategy
- Class-aware Sampling
训练分支学习点语义信息*,预测每一个点的前景点概率分数,取前k大的作为采样点送入下一层。
损失函数使用普通的交叉熵:
与Feature-FPS的区别:本文想要尽可能多的前景点,而F-FPS想要的是特征差距尽可能大的点。 - Centroid-aware Sampling
在Class-aware Sampling的基础上引入中心掩码mask:
mask与3DSSD中的中心度相同:
利用中心掩码对交叉熵loss进行加权,来提高接近中心点被采样的可能,尽可能地保留中心点(考虑到实例中心估计是最终目标检测的关键):
Contextual Instance Centroid Perception
- Contextual Centroid Prediction
遵循VoteNet的方法预测一个与中心的偏移,同时加入了一项正则化,使得每一个实例的中心预测都被聚合,减少预测中心偏移的不稳定性:
与VoteNet仅利用BBox内的点预测中心点不同,本文也利用周围的代表点:手动扩展BBox,或者按比例放大该框,以覆盖物体附近更多相关的上下文信息。 - Centroid-based Instance Aggregation
对每一个中心点,使用PointNet++学习实例的特征:将相邻点转化为局部正则坐标系,然后通过shared mlp和对称函数对点特征进行聚合。 - Proposal Generation Head
根据聚合的实例特征进行BBox的预测,然后进行3D-NMS后处理。
Loss
将多个loss相加联合优化,实现端到端训练。
Experiment
采样方法在KITII验证集上的对比
在采样点数少的情况下(256points)文章提出的两个采样对实例的采样比例明显由于其他采样方法。同时Feature-FPS考虑到了每个点的特征,因此对实例的采样比例也是高于random与D-FPS。
不同的方法在KITTI测试集上的检测性能定量对比
IA-SSD在Car、Cyc两个实例上效果较好,在Point-based的方法中精度较高,但是低于PV_RCNN,并且在Ped实例上效果较差。同时检测速度高于其他所有方法。
CVPR2022——Not All Points Are Equal : IA-SSD相关推荐
- 【3D 目标检测】Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point
Not All Points Are Equal Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Cloud 一 ...
- Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds
每日论文--CVPR2022目标检测 论文解读 论文解读 本文基于point_base的方法实现了高效的3D检测器IA-SSD,作者认为,使用传统的FPS方法会丢失大量前景点,导致检测recall下降 ...
- CVPR2022论文速递(2022.3.22)!共25篇多篇3D目标检测
整理:AI算法与图像处理 CVPR2022论文和代码整理:https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo 欢迎关注: Transfor ...
- 计算机图形几何算法详解勘误
一直在看<计算机图形几何算法详解>这本书,但是在用的过程中发现了一些错误,一直以为是自己的错误,后来在网上找到了这本书的勘误信息,不过是英文原版的,但是还是想贴出来,以便查找 07 Jul ...
- CVPR 2022 论文列表
CVPR2022 Papers (Papers/Codes/Demos) https://github.com/gbstack/cvpr-2022-papers 分类目录: 1. 检测 2. 分割(S ...
- 双圆弧插值算法(三,代码实现)
双圆弧插值算法(三,代码实现) 交互式演示 这是一个用HTML5编写的交互式演示.要移动控制点,请单击并拖动它们.若要移动切线,请单击并拖动控制点外的区域.默认情况下,曲线保持d1和d2相等,但也可以 ...
- Ext JS 4.1 RC2 Released发布
原文:http://www.sencha.com/blog/ext-js-4-1-rc-2-released/ Today we're making available Ext JS 4.1 RC2, ...
- CodeForces - 1058D D. Vasya and Triangle
D. Vasya and Triangle time limit per test1 second memory limit per test256 megabytes inputstandard i ...
- 《C++ Primer 5th》笔记(3 / 19):字符串、向量、迭代器和数组
文章目录 命名空间的using声明 标准库类型string 定义和初始化string对象 直接初始化和拷贝初始化 string对象上的操作 读写string对象 读取未知数量的string对象 使用g ...
最新文章
- BCGSoft Demo示例展示:菜单示例集合(2/2)
- Centos7下安装Docker1.8
- 一个python网上文档
- About mac80211
- MySQL 中的三中循环 while loop repeat 的基本用法
- 比较两个表格的不同_两表数据的核对,WPS表格似乎更加方便容易
- 1.5编程基础之循环控制 37 雇佣兵
- 谷歌宣布关闭Google TV,由Android TV接任
- vue、nuxt性能优化
- 顶级数据团队建设全景报告_如何拥有一支顶级数据智能团队?联想总结了这些由内而外的经验...
- java基础语法的书_第一章--Java基础语法
- 一个人如果控制不住自己乱消费,等同于废物
- 探讨:软件厂商Kaseya事件是不是软件供应链攻击?
- C语言的32个基本关键字
- 绿色沃土计划农业大健康 功能性农业国稻种芯发力耕地体质
- k8s安装prometheus+grafana(第二弹:prometheus-operator)
- 通信原理:课程学习笔记3之确知信号和随机过程
- bin文件夹是个什么东西?
- Trello中的Scrum
- mysql集群和mongodb集群_mongodb分布式集群架构
热门文章
- 一步步教你设置Word2003首字下沉
- 树莓派安装Samba服务构建家庭NAS
- 观点丨Fortinet谈ChatGPT火爆引发的网络安全行业剧变
- Windows Defender 防病毒发现威胁;关闭;
- 快讯!Apache ShardingSphere 官方文档 pdf 版已上线
- 2021年初级会计实务会计基本假设、会计基础和会计信息质量要求
- 6步骤实现CentOS系统环境精简优化
- 抖音素材哪里收集_抖音素材哪里收集 这个视频下载网站帮你处理好了
- Kotlin第一课Hello World —— Package、main、fun、import、变量、注释
- 2021年高考绵阳中学成绩查询,四川省绵阳中学2021年排名