論文鏈接：https://arxiv.org/abs/2011.12001

?代碼：https://github.com/qq456cvb/CanonicalVoting

VoteNet通過主干網絡傳遞輸入點云，然后對一組種子點進行采樣，生成中心投票。然后，通過可學習的模塊聚合投票簇，生成包圍框朝向和大小。

這種逐點預測絕對偏移和包圍盒方向，某些情況下甚至不如隨機猜測。

為了解決這個問題，作者將直接預測偏差分解為了三個部分：局部標準坐標，包圍盒尺寸，包圍盒朝向。 首先估計局部標準坐標和包圍盒的規模，并通過標準投票算法尋找歐式空間中可能的對象朝向和中心。對象包圍盒由高票位置得出。但是，這種詳盡的方向搜索會帶來一些投票的錯誤積累，為了消除假陽，設計了一個LCC反向投影檢查算法來將提出的對象坐標反投影到標準空間，與預測的局部標準坐標進行對比。

貢獻：

Bypassing orientation regression difficulties through
Local Canonical Coordinates and Canonical Voting.

Devising a back projection validation module to elimi-
nate false positives, achieving high average precision.

State-of-the-art performance on three 3D bounding box
detection benchmarks.

3.1 overview

?

?3.2 回歸局部坐標

受到?He Wang, Srinath Sridhar, Jingwei Huang, Julien Valentin,
Shuran Song, and Leonidas J Guibas. Normalized object
coordinate space for category-level 6d object pose and size
estimation. In Proceedings of the IEEE Conference on Com-
puter?Vision and Pattern Recognition, pages 2642–2651, 2019.啟發

提出回歸局部標準坐標，局部標準坐標定義在定義為單位立方體內的3D空間，{xyz}∈【-1,1】?，在局部標準坐標中，模型被一致對齊居中。

局部坐標系與世界坐標系的轉換關系

?回歸局部標準坐標和包圍框規模，損失函數：

?

局部標準坐標回歸與直接偏差回歸的比較，左邊，當圖像旋轉時，鴨子的不同部位被映射到相同的輸出偏移，?直接偏移不會隨著旋轉變化，使得基于不同輸入模式識別不同的偏移量變得困難，相反，LCC回歸如右圖所示，無論圖片如何旋轉，屬于同一部分的模式在標準始終被映射到相同的局部標準坐標，使得學習輸入和輸出的關系變得更加容易。

3.3 帶有對象性的標準投票

標準投票算法生成投票圖指示對象存在的可能性，同時采用對象性分數過濾掉不屬于任何對象的投票。通過預測的包圍盒規模，標準局部坐標，對象性分數，每個點對于任意可能的旋轉方向投票對應包圍盒中心，為了累計投票，將連續的歐式空間離散為預定義的H*d*w柵格。同時用Gobj和Gscale記錄航向角和包圍盒尺寸。

每一點都參與了標準投票過程。 votenet采用分組與下采樣方法生成候選，使得遮擋對象容易被忽略

?3.4 反向投影局部標準坐標檢查及包圍盒產生

識別投票圖的峰值，并產生包圍盒。

使用反向投影的局部標準坐標檢查

由于詳盡的方向搜索，會有假陽出現在投票圖。首先根據投票圖的峰值產生包圍盒候選，然后將包圍盒候選內的點反投影到局部標準坐標，然后檢查候選框內的點投影的局部標準坐標p~‘與預測的局部標準坐標p~是否一致。

?包圍盒中心根據投票圖的峰值產生，直到峰值小于某個值，讀取對應位置的包圍盒規模和航向角。

總結

以上是生活随笔為你收集整理的CVPR2022 Canonical Voting: Towards Robust Oriented Bounding Box Detectionin 3D Scenes的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。