一旦探测到，永不丢失：在离线LiDAR的基础上超越人类表现的3D物体检测。

​

Once Detected, Never Lost: Surpassing Human Performance in Offline LiDAR
based 3D Object Detection

解决问题：
这篇论文旨在提出一种高性能的离线LiDAR 3D目标检测方法，解决离线场景下的目标检测问题。论文提出了一种基于轨迹的检测模式，通过从轨迹角度进行目标检测和追踪，能够提高检测准确率和效率。

关键思路：
论文提出的方法是基于轨迹的检测模式，通过设计双向追踪模块和轨迹中心学习模块，实现了从轨迹角度进行目标检测和追踪。相比于传统的目标中心检测模式，这种方法在提高检测准确率和效率方面具有明显优势。

其他亮点：
论文在Waymo Open数据集上进行了大量实验，证明了该方法的显著性能优势，甚至超过了人类标注员的准确率。作者将代码公开在https://github.com/tusen-ai/SST，方便其他人进行进一步研究和应用。

关于作者：
本文的主要作者来自北京大学和商汤科技。他们在计算机视觉和人工智能领域都有很多代表作。例如，商汤科技曾经发表过《Group Normalization》等论文，北京大学的作者也曾经发表过《Deep Residual Learning for Image Recognition》等论文。

相关研究：
近期其他相关的研究包括：

1. “PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud”，作者：Shi et al.，机构：华中科技大学；
2. “Frustum ConvNet: Sliding Frustums to Aggregate Local Point-Wise Features for Amodal 3D Object Detection”，作者：Wang et al.，机构：加州大学洛杉矶分校。

论文摘要：本文旨在实现高性能的离线 LiDAR 三维物体检测。我们首先观察到，经验丰富的人类标注员是从轨迹为中心的视角来标注物体的。他们首先标记轨迹中清晰的物体形状，然后利用时间上的连续性来推断模糊物体的标注。受此启发，我们提出了一种高性能的离线检测器，采用轨迹为中心的视角，而不是传统的物体为中心的视角。我们的方法具有双向跟踪模块和轨迹为中心的学习模块。这种设计使我们的检测器能够在检测到某个时刻的物体后推断和完善完整的轨迹。我们称这种特性为“一旦检测到，永远不会丢失”，并将所提出的系统命名为 CTRL。大量实验证明了我们方法的显著性能，超过了人类标注准确性和前一最先进方法，在高度竞争的 Waymo 开放数据集上，没有使用模型集成。代码将在 https://github.com/tusen-ai/SST 上公开发布。

​Read More