PV-RCNN++：具有局部向量表示的点体素特征集抽象用于 3D 目标检测

摘要：3D 目标检测正在受到工业界和学术界的越来越多关注，因为它在各个领域具有广泛的应用。在本文中，我们提出了基于点云的点-体素区域卷积神经网络（PV-RCNNs）用于 3D 目标检测。首先，我们提出了一种新颖的 3D 检测器 PV-RCNN，通过两个新颖步骤深度整合基于点的特征抽象和基于体素的稀疏卷积的特征学习，从而提升 3D 检测性能，即体素到关键点的场景编码和关键点到网格的 RoI 特征抽象。其次，我们提出了一个先进框架 PV-RCNN++，用于更高效和准确的 3D 目标检测。它包括两个主要改进：分区化的提议中心采样，以更有效地产生更具代表性的关键点，以及 VectorPool 聚合，以更好地聚合局部点特征且消耗资源更少。通过这两种策略，我们的 PV-RCNN++ 比 PV-RCNN 快大约 3.3 倍，同时也达到了更好的性能。实验表明，我们提出的 PV-RCNN++ 框架在大型且竞争激烈的 Waymo 开放数据集上实现了最先进的 3D 检测性能，以 10 FPS 的推理速度在 150m × 150m × 150m 的检测范围内。