CVPRDec, 2016

使用深度学习和几何学进行 3D 边界框估计

PDF
TL;DR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。
3d object detectionpose estimationdeep convolutional neural networkgeometric constraintsdiscrete-continuous loss
发现论文，激发创造
  • 基于级联几何约束和去噪 2D 检测的 3D 无人驾驶车辆边界框估计

    本文提出了一种针对自动驾驶车辆 3D 物体检测任务的新型两阶段 3D 物体检测方法，通过深度卷积神经网络回归两个额外的 3D 物体属性并与二维和三维框之间的级联几何约束相结合，旨在获取 3D 空间中物体位置的最佳解。

    Sep, 2019

  • OriCon3D: 利用方向和置信度的有效 3D 物体检测

    通过改进的深度卷积神经网络以及多元箱子架构和几何限制，本研究在 KITTI 3D 检测基准测试上确定了更准确的三维对象姿态。

    Apr, 2023

  • 通过点云的监督学习实现 6D 物体姿态回归

    本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在 YCB-video 数据集上明显优于现有方法。

    Jan, 2020

  • 深度长方体检测：超越 2D 边界框

    本研究提出了一种用于检测 3D 物体的端到端深度学习系统，并可用于增强现实（AR）和机器人学的实时应用。该系统适用于许多语义类别，可以通过 2D 边界框来定位并同时定位其角点，有效生成盒状物体的 3D 解释，并通过迭代汇集卷积特征来优化改善其性能。

    Nov, 2016

  • 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

  • 基于分割的 6D 物体姿态估计

    本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

    Dec, 2018

  • 基于关键点几何推理的单目三维物体检测

    本篇研究提出了一种基于关键点的方法，利用单个 RGB 图像进行三维目标检测和定位，该网络基于 2D 关键点检测和几何推理方法，同时估计 2D 特征和全局 3D 姿态，最终在 KITTI 数据集中达到了最好的性能表现。

    May, 2019

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018

  • 使用卷积神经网络进行 3D 姿态回归

    该研究通过 CNN 回归框架提出了适当的表示、数据增强和损失函数来捕捉姿态空间的几何信息，将 3D 姿态估计问题转化为回归问题，并在 PASCAL3D + 数据集上得到与同类最优方法相当的性能表现。

    Aug, 2017

  • 通过 3D 到 2D 查询从多视角图像中进行 3D 物体检测

    提出了一种基于多摄像头的 3D 对象检测框架，使用基于上下文注意力的网络，直接在 3D 空间中进行边界框的预测，实现了全球最佳性能。

    Oct, 2021