Deep Hough Voting for 3D Object Detection in Point Clouds

Point Cloud에서 물체 중심의 Offset을 추정하여 Votes(물체 중심점에 가까운 점)를 얻는다.Votes는 Cluster에 의해 임의의 수량에 이르고 Cluster의 Point 특징에 따라 3D Bounding Box의 방법을 추정합니다.

계산법

seeds

Point Net++에 N점(x, y,z)을 입력하여 M점(x, y,z,+c)의 특징량을 추측합니다
M 포인트 선택은 voting 작업입니다.

vote

그렇구나.보트는 각 점에서 물체 중심까지의 오프셋을 추정하는 작업입니까?
그래서 물체 주위에 붉은 점이 굳어요.

Vote clusters

farthest point sampling (균등pick점) 을 사용하여 k개vote (offset을 넣은 point) 를 선택하십시오.
선택되지 않은 모든 vote는 가장 짧은 vote에서 clustering

output 3D boundingbox

Point Net++를 사용하여 cluster 주위의vote를 입력하여 물체의 종류와 3D Bounding Box를 추정합니다.
KBounding Box로 내보냅니다.

결론

· RPN(Region Propossal Network)의 물체를 제시한 3D Bounding Box는 오프셋을 추측하는 것과 비슷하다고 생각한다.VoteNet의 경우 물체의 중심을 제시하고 그 중에서 3D Bounding Box를 직접 추정한다.

참고 문헌

Deep Hough Voting for 3D Object Detection in Point Clouds
https://arxiv.org/pdf/1904.09664.pdf