.png){kind=icon}
返回
FIFA3D: Flow-Guided Feature Aggregation for Temporal Three-Dimensional Object Detection
.png){kind=icon}
OA
AI
DOI：10.3390/rs17030380.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从LiDAR点云中检测精确的3D边界框对于自动驾驶至关重要。近期研究表明，多帧3D检测器的性能具有优越性，但消除帧间错位并有效聚合时空信息仍是具有挑战性的问题。在本文中，我们提出了一种新颖的基于光流引导的特征聚合方案（FIFA3D），用于对齐跨帧信息。FIFA3D首先利用带有监督信号的光流来建模连续帧之间的像素级相关性。考虑到鸟瞰图特征图的稀疏特性，采用一个额外的分类分支来提供明确的像素级线索。同时，我们利用多尺度特征图并以粗到精的方式预测光流。在估计的光流引导下，历史特征可以很好地对齐到当前场景，并引入级联融合策略以提升后续检测效果。大量实验表明，FIFA3D在Waymo和nuScenes验证数据集上超越了单帧基线，mAPH和mAP分别提升了+10.8%和+6.8%，并且与当前最优方法相比表现优异。
Keyword:
point cloud
temporal object detection
flow estimation
deep learning
期刊
IF:
4.1
论文数:
7.8K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏BEVFormer: Learning Bird’s-Eye-View Representation from Multi-camera Images via Spatiotemporal TransformersBEVFormer: 通过时空转换器从多相机图像中学习鸟眼视图表示
PREAI
分享收藏
查看更多内容