基于汽車雷達檢測點的深度實例分割
一個區(qū)別：
automotive radar?汽車雷達 ：
分辨率低，點云稀疏，語義上模糊，不適合直接使用用于密集LiDAR點開發(fā)的方法? ；
返回的物體圖像不如LIDAR精確，可以在雨，雪，雨夾雪，冰雹，霧，泥和塵土中返回；
在夜間和陰天條件下也比激光雷達更準確；
發(fā)出的是無線電波而不是激光束
LiDAR?激光雷達：
激光波比無線電波短，因此激光雷達可以生成更詳細的物體圖像；貴
?左 LiDAR；右 RADAR??
============================================
提出問題：
從無線電雷達在點云實例分割上的實際問題出發(fā)：
問題一：雷達測點由于分辨率較低，比激光雷達測點云更稀疏、噪聲更大，缺乏語義和幾何信息，一些幾何信息例如物體的形狀，不能通過點的分布來反映，從而導致局部信息的缺乏。
問題二:? 汽車駕駛需要對雷達數(shù)據(jù)進行實時處理的算法，雷達處理系統(tǒng)中的微中心單元(MCU)限制了模型的存儲空間和可用的計算能力。
分析問題：
針對問題一：全局特征信息可以幫助分割任務，該如何設計一種深度學習算法來解決雷達檢測點的稀疏性和模糊性 ,因為主流的pointnet++是模仿卷積思維，按照提取局部特征的思維來設計的，要很深的網絡才能學到全局相互作用
針對問題二：性能提高的同時要兼顧實際場景，盡量輕量化
解決方案：
1、針對汽車雷達稀疏檢測點的實例分割任務，設計了一種基于語義分割的聚類方法。該模型是基于PointNet++的語義分割版本設計的，新引入的頭部估計點向中心偏移向量(CSV)--它表示從每個檢測點到其相應實例的幾何中心的偏移量。在聚類過程中，利用預測的CSV將每個點向其實例的中心移動，從而使屬于同一實例的點更加接近，提高聚類精度
2、使用余弦相似性損失和歸一化內積損失的和作為稀疏雷達檢測點的語義分割訓練過程中的損失，以提高性能的CSV引導聚類----為上述提出的中心偏移量適配的損失，來最小化 預測CSV 和ground-truth CSV之間的距離
3、提出使用gMLP來進一步提高模型的性能
得到的效果：
平均覆蓋率(mCov)和平均精度(mAP)分別比基于聚類的分類方法高9.0%和9.2%，比端到端實例分割方法高8.6%和9.1%。同時，該方法及其輕量級版本的內存消耗保持在1MB左右，推理時間小于40 ms，適用于汽車雷達單片機
具體做法：
?N為樣本量;C表示主干網絡的輸出通道數(shù);Nclass是類的數(shù)量;Ndim為雷達原始探測點的尺寸。輸入點首先通過逐點分類分支獲得其預測類標號。然后根據(jù)csv預測分支對其預測的csv進行移動，使屬于同一實例的點更加集中。然后，具有相同類標簽的點被聚成簇(即實例)。在樣例幀的實例分割結果中，不同的顏色表示不同的類，同一個圓中的點屬于同一個實例。
?(a)PointNet++主干網絡，采用兩個SA水平和兩個FP水平的結構，提取點特征
(b)預測頭的結構，預測頭為兩層mlp，語義分割分支預測每個點的每個類的得分，而對于csv預測分支，預測每個點與其實例中心之間的差異。
(c) csv的圖解，同一圓內的點屬于同一實例
(d)可視化的整體結構的MLP增強PointNet++主干網絡?？梢暬腗LP塊在每個集合抽象級別和特征傳播級別之后添加gMLP
?學習參考：
gmlp結構要看下原論文 ：Pay Attention to MLPs文章來源：http://www.zghlxwxcb.cn/news/detail-642546.html
實驗上的敘述文章來源地址http://www.zghlxwxcb.cn/news/detail-642546.html
到了這里，關于【論文閱讀】Deep Instance Segmentation With Automotive Radar Detection Points的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！
