摘要

我们提出了一种名为“Patch Refinement”的两阶段模型，用于从点云数据中实现高精度的3D物体检测与定位。Patch Refinement由两个独立训练的基于VoxelNet的网络构成：区域提议网络（Region Proposal Network, RPN）和局部精修网络（Local Refinement Network, LRN）。该方法将检测任务分解为两个步骤：首先进行初步的鸟瞰图（Bird's Eye View, BEV）检测，随后执行局部3D检测。基于RPN生成的BEV候选位置，我们提取出小范围的点云子集（称为“补丁”，patches），并将其输入LRN进行处理。由于每个补丁所覆盖的区域较小，LRN在内存使用上受到的限制显著降低，因此可采用更高分辨率的体素（voxel）编码策略进行局部建模。此外，LRN的独立性使其能够灵活应用额外的数据增强技术，并支持高效、以回归为导向的训练策略——因其仅需利用场景中的极小部分数据。在KITTI 3D物体检测基准测试中，我们于2019年1月28日提交的方案，在汽车类别所有三种难度等级下均超越了此前所有提交结果。该成绩仅使用了50%的可用训练数据，且仅依赖激光雷达（LiDAR）信息。