CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)

CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)

通用化和模块化、概率驱动的融合学习、实时性和硬件资源占用、优异的检测性能

一、重点内容提取

提出了一种通用的相机和激光雷达后融合方法,在Non-Maximum Suppression (NMS)之前对2D平面候选框和3D立体候选框初选结果采用卷积核的形式进行特征提取与自学习融合,在准确性尤其是长距离目标检测准确性上取得了较好的提升。

二、实验概括

  • 后融合网络架构
    CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)_第1张图片
  • 后融合数学模型
    CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)_第2张图片
    CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)_第3张图片
    CLOCs: Camera-LiDAR Object Candidates Fusion for 3D Object Detection(论文阅读笔记)_第4张图片

三、进一步优化

  1. 选用更多的2D与3D目标检测骨干网络进行卷积后融合,搜寻更适合的组合搭配
  2. 重新设计后融合卷积层,分析不同卷积层对后融合效果的影响

你可能感兴趣的:(论文阅读,目标检测,3d,计算机视觉)