【论文概述】MMF (2019)
论文信息
题目：Multi-Task Multi-Sensor Fusion for 3D Object Detection
问题导入
3D 感知对于自动驾驶落地至关重要，每个传感器都有相应的缺点，转而采用 RGB + Point Cloud。此前的方案如 F-PointNet 采用级联方式会放大每个传感器的缺点；单阶段检测器如 ContFuse 在每个点上生成特征图，这受限于稀疏点云；两阶段检测器如 AVOD 在 ROI 上融合特征，这种方案帧率有点低。本文开发了一种多传感器融合的且能解决 2D/3D 目标检测，路面估计以及深度补全多任务的框架。
总体思路
如上图所示，首先，点云投影成稀疏深度图与 RGB 连接成 RGB-D 送入 CNN，产生浓密深度信息补全 Pseudo LiDAR 伪点云；其次，原始点云采用在线映射得到路面估计得到点云的 BEV 表示，送入 CNN；再次，将原始点云与深度补全的伪点云深度融合（这里是类似于ContFuse 的 point-wise 融合）送入 CNN，再进行类似于 AVOD 的 ROI-wise 融合，初步估计 3D 框，同时投影到 RGB-D 网络中，两种特征图裁剪后拼接；最后经过FC与NMS产生 2D 和 3D 框回归以及类别预测。
论文效果
如上图所示，这是定量分析，在 KITTI 的 2D，3D，BEV benchmark (car) 都做了测试，与 RGB-based，LIDAR-based 以及 RGB+LIDAR 的方案从 AP 和 Time 两方面做了对比，IOU 取 0.7。AP 为 76.75。
如上图所示，这是定性分析，红框是预测框，绿框是 GT。
如上图所示，这只是对比实验，分别研究各模块对 AP 的影响。这表明多传感器融合，深度补全，路面估计工作对 3D 检测工作 AP 的提升有贡献。
总结
这项工作的 Motivations 是将多尺度图像特征融合到了 BEV 中，联合了多种 tricks 来改进 3D 检测的 AP；但个人觉得框架有点复杂，不是一个端到端通用框架。