BirdNet: a 3D Object Detection Framework from LiDAR Information
西班牙马德里卡洛斯三世大学Intelligent Systems Laboratory (LSI) Research Group,发表在2018 ITSC上

BirdNet

本方法只使用激光雷达,但网络上的创新不多。

数据预处理

将点云栅格化,栅格化的结果包括三个通道:

  • cell内最高点的高度
  • cell内所有点intensity的平均值
  • cell内点的density

我认为本文的最大的创新点就在于此,本文为了提高方法对于不同线束激光雷达的普适性,对density这个通道做了normalization。

具体就是对density除以每个cell的density的最大值。这个最大值是该cell与sensor之间没有遮挡,而且阻挡全部扫过来的激光线计算的。使用该方法做density的归一化,可以改善density这个通道在不同线数激光雷达下剧烈变化的问题。

处理网络

就是使用FasterRCNN,无非是修改anchor,卷积层数和增加一个预测转角的head。预测的转角也是使用分类和回归并行的bin-loss模式。

后处理

值得注意的时候,这里FasterRCNN预测不是车辆的长和宽,而是与坐标轴相平行的车辆外接矩形的外接矩形。然后通过固定每个类别的w,计算每个box的l。这种处理方式,也仅仅是在本文内见过。

实验

与其他方法对比的结果并不好。

使用可视化验证了在多种线数的雷达下的检测效果,但并没有对比。

评价

总体来说,本文贡献有限,实验对比不充分。但思想还是可以借鉴的,使用构造对线数变化不敏感的归一化方式。

我认为本文的问题有两点:

  • 本文归一化过程中,的第三种情况,cell与circle有两个点相交,根据公式和描述而言,看起来只考虑了左边的情况,没考虑右边的情况,因为P只在BC和BD边上。
    【论文阅读】【3D目标检测】BirdNet: a 3D Object Detection Framework from LiDAR Information
  • 感觉(4)(5)公式的h和w写反了

【论文阅读】【3D目标检测】BirdNet: a 3D Object Detection Framework from LiDAR Information