【CVPR2018】PointFusion: Deep Sensor Fusion for 3D Bounding Box Estimation

又一篇3D点云detection的顶会。这篇文章是two stage的方法，非end-to-end。文章的前提是利用faster rcnn得到2D图像的image crop；然后才是本文介绍的PointFusion，即将image crop和对应的3D点云数据作为输入，得到3D box。可以说这篇文章实际2D检测基础上做3D检测。

整个模型如图：

• 输入：2D 图像块（fatser RCNN检测结果）；对应的3D点云
• 模型：
  • 特征提取：
    • 2D图像用预训练的ResNet50提取2048d的特征
    • 用多个PointNet网络（去除BN层）提取1024d的全局特征（$1024\times1$）和每个点的64d特征（$64\times n$）
  • 特征融合
    • Global Fusion (baseline model)初始版本
      • 将2D的2048d全局特征和3D的1024d全局特征concatenate到一起得到3072d的特征（$3072\times1$）
      • 3072d经过一个MLP
      • 输出：3D box 8个角点的x,y,z坐标($1\times8\times3$)
    • Dense Fusion (final model)最终版本
      
      • 每个点的64d特征+2048d2维特征+1024d三维全局特征concatenate到一起，得到$n\times2126$维特征。
      • 经过MLP之后，两个branch：
        • 输出$n\times2$，即每个点做2分类，判断该点是否在target bounding box中
        • 输出$n\times8\times3$，即每个点分别在x,y,z方向输出偏置(offset)，即该点在三个坐标方向上离8个角点的距离。