Accurate and Real-time Pseudo Lidar Detection: Is Stereo Neural Network Really Necessary?

要約

Pseudo-Lidar表現の提案により、ビジュアルベースの3Dオブジェクト検出とアクティブなLidarベースの3Dオブジェクト検出の間のギャップが大幅に狭まりました。
ただし、現在の研究は、複雑で時間のかかるニューラルネットワークを利用することにより、疑似ライダーの精度向上を推進することに専念しています。
促進の機会を得るために、疑似ライダー表現の深遠な特性を調査することはめったにありません。
この論文では、疑似Lidar表現を深く掘り下げ、3Dオブジェクト検出のパフォーマンスが高精度のステレオ深度推定に完全に依存しているわけではないと主張します。
信頼性の低い深度推定でも、適切なデータ処理と改良により、同等の3Dオブジェクト検出精度を達成できることを示します。
この発見により、Pseudo-Lidarシステムで高速だが不正確なステレオマッチングアルゴリズムを利用して、低遅延の応答性を実現する可能性をさらに示します。
実験では、より強力でないステレオマッチング予測子を備えたシステムを開発し、精度を向上させるために提案された改良スキームを採用します。
KITTIベンチマークの評価は、提示されたシステムがわずか23ミリ秒のコンピューティングで最先端のアプローチに対して競争力のある精度を達成していることを示しており、実際の車のホールドアプリケーションに展開するのに適した候補であることを示しています。

要約(オリジナル)

The proposal of Pseudo-Lidar representation has significantly narrowed the gap between visual-based and active Lidar-based 3D object detection. However, current researches exclusively focus on pushing the accuracy improvement of Pseudo-Lidar by taking the advantage of complex and time-consuming neural networks. Seldom explore the profound characteristics of Pseudo-Lidar representation to obtain the promoting opportunities. In this paper, we dive deep into the pseudo Lidar representation and argue that the performance of 3D object detection is not fully dependent on the high precision stereo depth estimation. We demonstrate that even for the unreliable depth estimation, with proper data processing and refining, it can achieve comparable 3D object detection accuracy. With this finding, we further show the possibility that utilizing fast but inaccurate stereo matching algorithms in the Pseudo-Lidar system to achieve low latency responsiveness. In the experiments, we develop a system with a less powerful stereo matching predictor and adopt the proposed refinement schemes to improve the accuracy. The evaluation on the KITTI benchmark shows that the presented system achieves competitive accuracy to the state-of-the-art approaches with only 23 ms computing, showing it is a suitable candidate for deploying to real car-hold applications.

arxiv情報

著者 Haitao Meng,Changcai Li,Gang Chen,Alois Knoll
発行日 2022-06-28 09:53:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク