目标检测项目报告：基于Complex-YOLO点云Lidar数据改进.pdfVIP

3D带有不确定性的YOLO

党远初罗伟尼尔·门汉尼

yd2466@columbia.eduwl2671@columbia.edunlm2138@columbia.edu

能够量化特定分类物体的不确定性在实际应用中将非

常有用，因为这些信息可以影响自主机器的决策。因

在这个项目中，我们实现了并改进了Complex

此，我们希望建立一个不仅能够检测和分类物体，还

YOLO，这是一种针对点云Lidar数据的最先进的实时

能这些分类不确定性的准确且高效的模型。

3D目标检测网络。ComplexYOLO是一个新的框架，

扩展了YOLOv2（一种用于RGB图像的快速2D目

标检测器），通过特定的复杂回归策略来估计笛卡尔

空间中的多类3D边界框。更具体地说，