Nov, 2015

RGB-D 图像中无限制 3D 物体检测的深度滑动形状

PDF
TL;DR使用深度学习的方法，提出了 Deep Sliding Shapes，一种从 RGB-D 图像中检测整个物体的 3D 边界框的方法，通过引入 3D Region Proposal Network 和 Joint Object Recognition Network，算法的性能表现超过了现有的基准算法 13.8% 的 mAP，并且比原始 Sliding Shapes 快 200 倍。
发现论文，激发创造
  • M3D-RPN: 单目三维区域建议网络用于目标检测

    本研究提出了一种基于几何关系的 monocular 三维物体检测方法，通过单独的三维区域建议网络和深度感知卷积层，能够有效地改善基于图像的三维物体检测在自动驾驶领域中的表现。在 KITTI 数据集上，与其他之前的方法相比，M3D-RPN 方法在单眼三维物体检测和俯视图检测任务中都表现出显著的性能提升。

    Jul, 2019

  • Shift R-CNN：使用闭合形式几何约束的深度单目三维目标检测

    Shift R-CNN 是一种用于单目 3D 物体检测的混合模型，结合了深度学习和几何优势，利用几何约束的深度学习方法在 KITTI 3D Object Detection Benchmark 上取得了最佳结果。

    May, 2019

  • AutoShape：实时形状感知单目三维物体检测

    该研究提出了一种基于深度神经网络和形态感知的三维目标检测方法，利用二维关键点和对应的三维坐标以及二维 / 三维的几何约束提高检测性能，并在公共数据集 KITTI 上实现了最新的性能。

    Aug, 2021

  • 使用深度学习和几何学进行 3D 边界框估计

    本文提出了一种使用单张图片进行三维目标检测与姿态估计的方法，通过使用深度卷积神经网络来回归相对稳定的三维目标属性，并使用二维边界框提供的几何约束来组合这些估计，从而产生完整的三维边界框。

    Dec, 2016

  • RGB-D 数据下可迁移的半监督三维物体检测

    提出了一种可转移的半监督 3D 目标检测模型，通过训练存在强类别和弱类别两个不相交的物体类别集的数据，使用放松重投影损失、Box-to-Point Cloud Fit 网络等技术，从强类别向弱类别传递 3D 信息，并在 SUN-RGBD 和 KITTI 数据集上取得了优异的成果。

    Apr, 2019

  • 基于形状概念的深度监督算法用于考虑遮挡的三维物体分割

    本研究中，我们利用深度卷积神经网络架构在 2D 图像和 3D 空间中定位语义部件并推断它们的可见性状态，其利用合成数据和模拟的遮挡情况训练网络，并表明了其在现实图像基准测试中具有最先进的性能和有效的迁移知识。

    Dec, 2016

  • 从点云到多目标三维重建

    本文提出了一种从单一 RGB 图像中检测和重构多个 3D 物体的方法，通过逐步优化检测、对齐和形状重构，选择最佳的几个候选形状，并采用轻量化的重构技术进行快速、端到端的训练。

    Dec, 2020

  • 基于三维卷积神经网络的 RGB-D 显著性目标检测

    该研究提出了一种名为 RD3D 的深度学习模型，其采用前编码器阶段的预聚合和后解码器阶段的深层特征融合来促进 RGB 和深度流的充分融合，并在 RGB-D 显着目标检测模型方面表现优于 14 种先进模型。

    Jan, 2021

  • ODAM: 使用姿态 RGB 视频进行物体检测、关联和映射

    提出一种基于 RGB 视频和图神经网络的 ODAM 系统，用于检测、关联和建立 3D 对象的映射，通过超椭圆体表示物体包围体积，结合多视角几何约束和物体尺度先验，取得了相对于现有 RGB-only 方法的显著提升。

    Aug, 2021

  • 基于 RGB-D 数据的三维物体检测的台阶式点云网络

    本文探讨了利用深度学习在 3D 物体检测中，针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度，以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估，相比现有技术取得了显著的大幅度升级，并具有实时性能。

    Nov, 2017