摘要

作为计算机视觉中的基础性问题，3D目标检测正经历快速发展。为从分布不规则且稀疏的点云中提取逐点特征，以往方法通常采用特征分组模块，将点特征聚合至候选目标区域。然而，这些方法尚未充分利用前景目标的表面几何结构来优化特征分组与3D边界框生成。本文提出RBGNet框架，一种基于投票机制的3D目标检测方法，用于实现点云数据上的高精度3D目标检测。为学习更优的目标形状表征，以增强聚类特征并提升3D边界框预测能力，我们设计了一种基于射线的特征分组模块，该模块通过从聚类中心均匀发射的一组确定射线，在物体表面聚合逐点特征。考虑到前景点对边界框估计具有更高语义价值，我们在下采样过程中引入一种新颖的前景偏好采样策略，优先在物体表面采样更多点，从而进一步提升检测性能。实验结果表明，所提模型在ScanNet V2与SUN RGB-D数据集上均达到当前最优的3D检测性能，显著优于现有方法。代码将开源，地址为：https://github.com/Haiyang-W/RBGNet。