目录
Multi-Task Multi-Sensor Fusion for 3D Object Detection
论文背景以及基本思想
出发点：基于前作ContFuse的改进，ContFuse虽然融合了Image和Bev的信息，但是对于非常稀疏点云，效果有限。同时，ContFuse的detector head结构过于简单，
算法基本流程
- 核心：
- 参考AVOD设计了基于ROI-wise fusion的detector head。
- 进行了ground plane的辅助网络：Unet结构，会预测点云Voxel Space每个Voxel的地面高度作为ground plane信息(BEV)，BEV点云信息会减去对应的height信息，最后预测结果会相应加上height
- 添加depth completion分支，进行深度补全，生成pseudo lidar，会在真实点云信息缺失的时候进行补充
- 算法框架:
算法细节
- 关键点：
- 作者认为基于2D图片提取proposal的方案不是最佳的，且认为直接从BEV图上进行Proposal的提取更简单（大小的一致性，遮挡较少）
- Online mapping分支
- Pseudo lidar能够补充远距离lidar数据的缺失，且单纯添加depth completion分支进行multi-task的训练也是有帮助的
- Ablation Study:
- Evaluation Results:
