BEVSpread: Spread Voxel Pooling for Bird's-Eye-View Representation in Vision-based Roadside 3D Object Detection

这篇文章介绍了一种基于视觉的道路三维物体检测方法，这种方法在自动驾驶领域引起了越来越多的关注，因为它具有减少盲区和扩大感知范围的固有优势。之前的工作主要集中在准确估计2D到3D的深度或高度，但忽略了体素池化过程中的位置近似误差。基于这一洞见，作者提出了一种新的体素池化策略，称为BEVSpread，以减少这种误差。具体来说，BEVSpread将每个视锥点视为源，并使用自适应权重将图像特征传播到周围的BEV网格中，而不是将包含在视锥体点中的图像特征带到单个BEV网格中。为了实现更好的传播性能，设计了一个特定的权重函数，根据距离和深度动态控制权重的衰减速度。借助定制的CUDA并行加速，BEVSpread实现了与原始体素池化相当的推断时间。在两个大规模道路基准测试中进行了广泛的实验，结果表明，作为插件，BEVSpread可以显著提高现有基于视锥体的BEV方法的性能，车辆、行人和骑车人的AP大幅提高了（1.12，5.26，3.01）。

本论文旨在解决路边3D物体检测中的位置近似误差问题，提出了一种新的体素池化策略BEVSpread。

BEVSpread将每个截锥点视为源，并使用自适应权重将图像特征传播到周围的BEV网格中，以减少体素池化过程中的位置近似误差。

BEVSpread作为插件可以显著提高现有基于截锥体的BEV方法的性能，比现有方法提高了(1.12,5.26,3.01)AP。实验使用了两个大规模的路边数据集，使用了自定义的CUDA并行加速，具有可比性的推理时间。

近期的相关研究包括：Frustum PointNets for 3D Object Detection from RGB-D Data、AVOD: Aggregate View Object Detection、VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection等。