BtcDet：利用LiDAR克服遮挡的3D对象检测新方法

"基于LiDAR的遮挡图像在3D对象检测中的研究" 随着LiDAR传感器技术的快速发展，3D场景理解的需求日益增强。然而，由于物理限制，LiDAR点云通常表现为2.5D，因为它们只能捕获物体的部分形状，这导致了遮挡和信号丢失的问题。这些因素，如外部遮挡（如建筑物或树木）、信号传播中断（如雷达反射不足）以及物体自身的自遮挡，都会显著影响3D感知的准确性。 针对这一挑战，本文提出了一种创新的3D对象检测模型——幕后检测器（BtcDet）。BtcDet的关键在于它能够学习并利用对象的形状先验，通过识别和处理遮挡区域来弥补信息缺失。模型首先通过分析LiDAR点云，确定哪些区域受到遮挡和信号缺失的影响，然后预测这些区域内的占用概率，即对象存在的可能性。这个概率图与后续的建议细化模块相结合，帮助生成高质量的3D对象候选框，从而提高检测精度。 作者Xiangeng Xu、Yiqi Zhong和Ulrich Neumann在南加州大学的研究中，通过比较和实验验证了BtcDet在KITTI数据集（Geiger等人，2013）和Waymo开放数据集（Sun等人，2019）上的有效性。特别是在面对高遮挡场景，如图1所示的汽车实例，BtcDet展现出优于其他现有方法的性能。研究者强调了理解形状丢失原因和其对3D物体检测影响的重要性，这不仅限于汽车，还适用于其他类型的交通工具和环境中的物体。 值得注意的是，BtcDet的源代码已经发布，为学术界和工业界提供了宝贵的学习资源和实践参考。这项工作表明，利用深度学习和形状先验可以显著提升LiDAR在3D物体检测中的鲁棒性和准确性，这对于自动驾驶、机器人导航等领域的应用具有重要意义。未来的研究可能将进一步探索如何优化遮挡处理算法，以适应更复杂且动态变化的3D环境。