CVPRMar, 2017

Deep MANTA：粗细多任务网络，联合从单眼图像分析二维和三维车辆

PDF
TL;DR本文提出了一种新的方法，称为 Deep MANTA，用于从给定的图像进行多任务车辆分析。介绍了一个强大的卷积网络，用于同时进行车辆检测、部分定位、可视性表征和 3D 尺寸估计，并演示了该方法在 KITTI 基准测试上的性能优于现有的单 ocular 方法。
deep mantavehicle analysisconvolutional networkvehicle detection3d dimension estimation
发现论文，激发创造
  • 一种简单高效的用于 3D 目标检测和道路理解的多任务网络

    本文提出了一种基于 LiDAR 传感器和多任务网络的感知系统，用于自主驾驶中的目标检测和道路识别，取得了良好的实验效果和在线定位能力。

    Mar, 2021

  • 3D-MAN: 三维多帧注意力网络用于物体检测

    本文介绍了一种名为 3D-MAN 的 3D 多帧注意力网络，通过对多个角度的特征进行聚合从而实现了对复杂数据集的有效检测与识别。

    Mar, 2021

  • 用于自动驾驶的多视角三维物体检测网络

    该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

    Nov, 2016

  • 自动驾驶用基于地面的单目三维物体检测

    通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

    Feb, 2021

  • 利用任务适应性注意力生成器的实时自主驾驶多任务学习

    本文介绍了一种新的实时多任务网络，包括单目三维物体检测、语义分割和密集深度估计，通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题，并利用硬参数共享方法提高效率，能够同时处理多个任务，尤其是三维物体检测，并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究，我们的网络始终优于各种基准模型。

    Mar, 2024

  • 基于点云的三维全卷积网络车辆检测

    本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。

    Nov, 2016

  • 一种用于车辆三维检测的通用流水线

    本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合，以产生最小的 2D 检测网络变化的 3D 信息，使用卷积神经网络（CNN）进行改善，实现了机动车无人驾驶三维物体感知，排名第二。

    Feb, 2018

  • 3M3D: 多视角、多路径、多表征 3D 目标检测

    提出了一种基于多视图轴自注意力和局部 ROI 自注意力的多路径多表示 3D 物体检测方法，通过稀疏浮动查询和密集 BEV 查询的多重表示进一步提高了性能，对于自动驾驶系统具有重要意义。

    Feb, 2023

  • MergeNet：用于小障碍物探测的深度网络架构

    本文介绍了一种新型的网络架构，MergeNet，用于在自动驾驶的场景下发现小型障碍物。基于对使用少量数据进行训练的重视，我们提出了一种多阶段训练过程，包括权重共享、低级和高级特征的单独学习以及学习获得互补特征的优化步骤。该模型在 Lost and Found 数据集上进行了训练和评估，并且仅使用了 135 张图像就能实现与之前基准使用的 1000 张图像相同的表现。此外，我们还将我们的结果与最近训练了 6000 张图像的方法进行了比较，并显示我们的方法仅使用 1000 个训练样本就能达到相当的性能。

    Mar, 2018

  • 使用深度神经网络从正交图中重建交通工具

    本文使用深度神经网络研究了基于多个正交绘图的物体重构，提出了两种算法，一种基于基于像素对齐的隐式函数进行系统构建，另一种比较了多视角深度图回归的方法，在车辆重建方面使用了一种新颖的数据集，并对训练后的神经网络进行了评估。

    Jun, 2022